Normalization of White Matter Intensity on T1‐Weighted Images of Patients with Acquired Central Nervous System Demyelination
Notice bibliographique
Résumé
BACKGROUND: Intensity variation between magnetic resonance images (MRI) hinders comparison of tissue intensity distributions in multicenter MRI studies of brain diseases. The available intensity normalization techniques generally work well in healthy subjects but not in the presence of pathologies that affect tissue intensity. One such disease is multiple sclerosis (MS), which is associated with lesions that prominently affect white matter (WM). OBJECTIVE: To develop a T1-weighted (T1w) image intensity normalization method that is independent of WM intensity, and to quantitatively evaluate its performance. METHODS AND SUBJECTS: We calculated median intensity of grey matter and intraconal orbital fat on T1w images. Using these two reference tissue intensities we calculated a linear normalization function and applied this to the T1w images to produce normalized T1w (NT1) images. We assessed performance of our normalization method for interscanner, interprotocol, and longitudinal normalization variability, and calculated the utility of the normalization method for lesion analyses in clinical trials. RESULTS: Statistical modeling showed marked decreases in T1w intensity differences after normalization (P < .0001). CONCLUSIONS: We developed a WM-independent T1w MRI normalization method and tested its performance. This method is suitable for longitudinal multicenter clinical studies for the assessment of the recovery or progression of disease affecting WM.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».