Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Un modèle de base polyvalent pour les tâches d'analyse d'images par résonance magnétique cardiaque ciné
Created by
Haebom
Auteur
Yunguan Fu, Wenjia Bai, Weixi Yi, Charlotte Manisty, Anish N Bhuva, Thomas A Treibel, James C Moon, Matthew J Clarkson, Rhodri Huw Davies, Yipeng Hu
Contour
Cet article présente CineMA, un modèle de base polyvalent capable d'effectuer diverses tâches d'analyse d'images cliniquement pertinentes, notamment la segmentation, la localisation de points de repère, le diagnostic et la prédiction du pronostic. CineMA est un autoencodeur de masque à transformateur convolutionnel multivues, entraîné à partir de 15 millions d'images ciné provenant de 74 916 sujets. Il est validé sur plusieurs tâches d'analyse d'images à l'aide de plus de 4 500 images issues de huit ensembles de données indépendants présentant diverses caractéristiques de population, et comparé aux modèles existants. Il s'agit de la plus grande étude de référence sur l'IRM ciné à ce jour. CineMA a systématiquement surpassé les réseaux de neurones convolutionnels (CNN) conventionnels pour la segmentation des limites ventriculaires et l'estimation de la fraction d'éjection, un indicateur clé de la fonction cardiaque. Les améliorations de performance ont été maintenues même avec seulement la moitié des données de réglage fin. CineMA a également surpassé le CNN pour la détection des maladies et était à égalité avec lui pour les mesures de la fonction grand axe. Il est intéressant de noter que CineMA a permis de détecter des modifications cardiaques dans des maladies systémiques telles que le diabète, l'hypertension et le cancer, et de prédire la mortalité. Enfin, nous avons évalué l'équité du modèle, démontrant une performance constante dans tous les sous-groupes démographiques. Ces résultats soulignent la précision, l'efficacité d'apprentissage, l'adaptabilité et l'équité de CineMA, démontrant ainsi son potentiel comme modèle fondamental pour l'analyse automatisée d'images cardiaques, en soutien aux flux de travail cliniques et à la recherche cardiovasculaire. Tous les codes d'apprentissage et d'inférence, ainsi que le modèle, sont accessibles au public à l' adresse https://github.com/mathpluscode/CineMA .
Nous présentons un nouveau modèle de base, CineMA, qui démontre une grande précision et une grande efficacité pour diverses tâches d'analyse d'images cardiaques (segmentation, localisation de points de repère, diagnostic et prédiction du pronostic).
◦
Performances exceptionnelles par rapport aux modèles CNN existants, notamment dans la segmentation des limites ventriculaires et l'estimation de la fraction d'éjection.
◦
Maintenez des performances élevées même avec des données de réglage fin limitées.
◦
Détection des changements cardiaques associés à une maladie systémique et potentiel de prédiction de la mortalité.
◦
Démontrer l’équité du modèle avec des performances cohérentes dans tous les sous-groupes démographiques.
◦
Assurer la reproductibilité et l'évolutivité de la recherche grâce à du code source ouvert et des modèles.
•
Limitations:
◦
Cet article ne mentionne pas explicitement Limitations. Des recherches ultérieures devraient valider davantage ces résultats et évaluer leur applicabilité dans divers contextes cliniques. En particulier, des recherches supplémentaires sur les performances de généralisation à travers divers groupes raciaux et ethniques pourraient être nécessaires.
