Détection précoce des accidents vasculaires cérébraux de type ischémiques à partir des images tomodensitométriques.
Bibliographic record
Abstract
Le but de cette étude est de mettre au point une nouvelle méthode automatique de détection des lésions ischémiques cérébrales précoces sur des images de tomodensitométrie, en se basant sur la symétrie entre les hémisphères cérébraux. L'Alberta Stroke Program (ASPECTS) a été proposée pour aider les radiologistes à prendre des décisions en matière de traitement thrombolytique. Seuls les patients avec des balayages de base favorables (ASPECTS, 8–10) peuvent bénéficié du traitement de revascularisation endovasculaire. La classification des images en normales et anormales dépend des caractéristiques des côtés gauche et droit du cerveau. Pour une détection précise, nous avons intégré un algorithme d'estimation automatique de la ligne médiane pour le tracer correctement. La méthode proposée comporte cinq étapes: prétraitement, segmentation de 10 régions d'intérêt (ROI), élimination des anciens infarctus et de l'espace du liquide céphalo-rachidien (LCR) et extraction des caractéristiques et la détection des lésions. Les caractéristiques obtenues à partir de dix ROI ont ensuite été utilisées pour sélectionner les régions anormales et calculer le score ASPECTS correspondant. La méthode a été appliquée à 50 patients atteints d'infarctus de l'artère cérébrale moyenne (ACM) qui se sont présentés au centre d'imagerie LA MEKERRA. De bons résultats sont obtenus, notamment pour l‘estimation de la ligne médiane comparée à la détection manuelle. La performance de notre méthode est tout à fait satisfaisante avec une sensibilité de 98.8%. Notre approche a le potentiel d‘être utilisée en tant que deuxième opinion dans le diagnostic de l‘AVC.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".