Sci‐Sat AM(1): Imaging‐06: Proximity‐based modification to an automatic method for tumor delineation using MRSI
Notice bibliographique
Résumé
Quantifying the relative levels of Choline (Cho) to N-Acetylaspartate (NAA) has been the method of choice by many groups as a mean to biologically identify tumors in the brain. Mcknight et al. have introduced an automatic technique for delineating tumors biologically using MRSI. A statistical model is used to separate tumors from normal tissue based on the relative concentrations of Choline and NAA in both tissue types; that method is commonly referred to as the Choline-to-NAA Index (CNI). In their work, it is assumed that the variation in the relative levels of Cho to NAA in normal brain is unnoticeable to within 2 standard deviations of the mean. However, developments in MRSI sequences have enabled the detectablity of more variations within the relative levels of Cho to NAA in normal tissue. With the uncertainty in the Cho to NAA levels of normal tissue increasing, it is essential to modify the CNI method to improve its specificity. This work introduces a modification to the CNI method developed by McKnight et al. that would address such increase in uncertainty. Instead of relying on an arbitrary CNI value of 2 to define the tumor boundaries, our method defines a high certainty tumor volume, surrounded by a region of uncertainty. Then based on their proximity to high certainty tumor regions, the voxels in the uncertainty region are segmented to either tumor or normal tissue. Preliminary results suggest that the proposed modified method decreases the number of false positive resulting from the original CNI method.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 0,019 |
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 ».