Improving the efficiency of Cardiovascular MR for assessing Ischemic Cardiomyopathy diagnosis: a machine learning based approach
Notice bibliographique
Résumé
Ischemic cardiomyopathy is a condition characterized by impaired heart function due to damage to the myocardium, generally resulting from coronary artery disease or myocardial infarction. Diagnosing ischemic cardiomyopathy using cardiac magnetic resonance imaging involves detecting and quantifying abnormalities in cardiac function from various imaging modalities. Parameters that describe the cardiac function are acquired from multiple views, or slices, of the heart. Recent progress in machine learning research has led to machine learning applications being developed for multiparametric cardiac magnetic resonance imaging to create a more efficient diagnostic process. Thousands of images are needed for multiparametric cardiac analysis. Their acquisition and post-processing increase both scan and diagnostic time. This study aims to find out whether diagnosing ischemic cardiomyopathy is possible using a single cardiac slice from a single imaging modality. This study hypothesized that oxygenation-sensitive cardiac resonance imaging would contain data that, when extracted, would allow machine learning algorithms to determine whether a patient is a healthy volunteer or has ischemic cardiomyopathy with a high degree of accuracy. This study aimed to test this hypothesis by extracting left ventricular cardiac strain data from a short-axis view using a neural network from the oxygenation-sensitive images of previously diagnosed ischemic cardiomyopathy patients. Comparing the results of the proposed method, with the results obtained when applying the method to strain values extracted from a steady-state free precession imaging modality for the same patients, revealed that the oxygenation-sensitive imaging modality provides a much lower diagnostic accuracy which contradicts studies that suggest that a heart under stress shows abnormalities in cardiac strain for ischemic patients. However, the relatively high diagnostic accuracy of the steady-state free precession imaging modality shows the potential of using a single cardiac slice in combination with machine learning for diagnostic purposes. Future work should concentrate on extracting additional parameters from the same set of images, such as radiomics, signal intensities, and right ventricular function
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».