Subcortical gray matter segmentation and voxel‐based analysis using transverse relaxation and quantitative susceptibility mapping with application to multiple sclerosis
Notice bibliographique
Résumé
PURPOSE: To investigate subcortical gray matter segmentation using transverse relaxation rate (R2 *) and quantitative susceptibility mapping (QSM) and apply it to voxel-based analysis in multiple sclerosis (MS). MATERIALS AND METHODS: Voxel-based variation in R2 * and QSM within deep gray matter was examined and compared to standard whole-structure analysis using 37 MS subjects and 37 matched controls. Deep gray matter nuclei (caudate, putamen, globus pallidus, and thalamus) were automatically segmented and morphed onto a custom atlas based on QSM and standard T1 -weighted images. Segmentation accuracy and scan-rescan reliability were tested. RESULTS: When considering only significant regions as returned by the multivariate voxel-based analysis, increased R2 * and QSM was found in MS subjects compared to controls in portions of all four nuclei studied (P < 0.002). For R2 *, regional analysis yielded at least 66-fold improved P-value significance in all nuclei over standard whole-structure analysis, while for QSM only thalamus benefited, with 5-fold improvement in significance. Improved segmentation over standard methods, particularly for globus pallidus (2.8 times higher Dice score), was achieved by incorporating high-contrast QSM into the atlas. Voxel-based reliability was highest for QSM (<1% variation). CONCLUSION: Automatic segmentation of iron-rich deep gray matter can be improved by incorporating QSM. Voxel-based evaluation yielded increased R2 * and QSM in MS subjects in all four nuclei studied with R2 *, benefiting the most from localized analysis over whole-structure measures.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».