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 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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 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 ».