Entropy-Guided Slice Selection for Weakly Supervised Binary ASPECTS Classification from Non-Contrast CT
Notice bibliographique
Résumé
Timely and accurate assessment of ischemic damage is critical for acute stroke management. The Alberta Stroke Program Early CT Score (ASPECTS) is a standardized tool used to estimate infarct extent and guide treatment decisions. However, manual ASPECTS scoring on non-contrast computed tomography (NCCT) faces critical constraints: labor-intensive expert interpretation, substantial inter/intra-rater variability, time-consuming multi-region assessment, and poor sensitivity to early ischemic changes with subtle hypodensity. In this work, we propose a weakly supervised deep learning framework for binary ASPECTS classification ($\leq 6$vs.$>6$), the critical threshold for thrombectomy eligibility, to support treatment triage and prognosis without relying on pixel-level annotations. Our method begins with entropy-based slice selection to identify the most informative axial slices from each NCCT volume. A 3D convolutional neural network is then trained using volume-level binary ASPECTS labels, enhanced by auxiliary supervision from binary labels for each of the ten ASPECTS regions to encourage region-aware learning. This enables robust infarct pattern recognition while avoiding the need for detailed segmentation masks. Our method achieves strong binary ASPECTS classification performance (AUROC:$\mathbf{9 0. 3 6} \boldsymbol{\pm} \mathbf{8. 4 4}$) while substantially reducing annotation requirements, highlighting its promise for integration into realworld stroke triage workflows.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».