Additional file 1 of Combining generative modelling and semi-supervised domain adaptation for whole heart cardiovascular magnetic resonance angiography segmentation
Notice bibliographique
Résumé
Additional file 1: Table S1. Table of comparison between all methods in Dataset 1 (MMWHS). The percentage of supervision is specified in brackets. Each entry represents Dice (odd rows) and ASD (even rows) average results across entire dataset. Best results are highlighted in red (Dice), and green (ASD). Table S2. Table of comparison between all methods in Dataset 2 (HRMRA). The percentage of supervision is specified in brackets. Each entry represents Dice (odd rows) and ASD (even rows) average results across entire dataset. Best results are highlighted in red (Dice), and green (ASD). Table S3. Table containing metrics for volume measurements (mL) obtained from label maps. The results are reported using avg ± std signed differences (RMSE) between ground truth volumes (top row) and predicted volumes. The second column refers to the supervision level adopted in the experiment. The best result per each method is highlighted in bold, and the best result overall is color-coded. MMWHS Dataset. Figure S1. Results grouped by label. In each boxplot, statistical analysis is conducted between experiments obtained by different methods, as per legend on the top left corner. Dashed brackets for p <= 5.00e−02, square brackets for p <= 1.00e−03. HRMRA Dataset. Figure S2. Results grouped by label. In each boxplot, statistical analysis is conducted between experiments obtained by different methods, as per legend on the top left corner. Dashed brackets for p <= 5.00e-02, square brackets for p <= 1.00e-03. MMWHS Dataset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,529 | 0,161 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».