Multi-Class Segmentation of Aortic Branches and Zones on Computed Tomography Angiography
Notice bibliographique
Résumé
The aorta, the body's largest artery, can face potential threats like dissection and aneurysm, requiring prompt surgical intervention. Traditional surgical techniques for aortic disease often carry significant risks. Recent advancements in medical imaging, particularly computed tomography angiography (CTA), and minimally invasive approaches like endovascular grafting, offer a promising alternative. Accurate 3D segmentation of the aorta and its branches and zones on CTA is crucial for successful interventions. Inaccurate segmentation can lead to critical errors in surgical planning and endograft design, jeopardizing patient safety and treatment outcomes. While machine learning has revolutionized 3D medical image analysis, its potential in acute uncomplicated type B aortic dissection (auTBAD), the most common aortic emergency, remains largely unexplored. In the clinical realm, auTBAD is sub-categorized using SVS/STS zones, a detailed classification system defined by specific zones of the aorta in relation to aortic branches. Surgeons rely on this classification system to determine the optimum treatment algorithm for each patient. Current methods for aortic segmentation often treat it as a binary segmentation problem, neglecting the essential differentiation between individual aortic branches and their relationships to SVS/STS zones. This challenge addresses these limitations by offering the first large-scale dataset of 100 CTA volumes paired with detailed annotations for 23 different aortic branches and the clinically relevant SVS/STS zones. Participating teams will have the opportunity to develop innovative algorithms for accurate, automated, and multi-class segmentation of this intricate vascular structure. By fostering advancements in image analysis techniques for CTA, this challenge aims to:(1) Improve clinical care for patients with aortic diseases by enabling accurate diagnosis, more precise surgical planning, and potentially safer, minimally invasive interventions.(2) Bring greater attention and research focus to auTBAD, a relatively rare and challenging disease, potentially leading to novel treatment strategies.(3) Bridge interdisciplinary communication between researchers in medical image analysis, computer vision, and machine learning, paving the way for collaborative solutions to overcome technical barriers in complex aortic segmentation tasks. In summary, this challenge has three main features:(1) Task: this is the first challenge for the segmentation of aortic branches and zones in CTA scans.(2) Dataset: we provide the largest annotated dataset for aortic segmentation, including 100 3D CTA scans.(3) Evaluation: we focus on both segmentation accuracy and segmentation efficiency.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».