Texture analysis and morphological processing of magnetic resonance imaging assist detection of focal cortical dysplasia in extra-temporal partial epilepsy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In many patients, focal cortical dysplasia (FCD) is characterized by minor structural changes that may go unrecognized by standard radiological analysis. To increase the sensitivity of magnetic resonance imaging (MRI) for the detection of subtle lesions of FCD, we developed voxel-based image postprocessing methods, including first-order texture analysis and morphological processing modeled on known MRI features of FCD. We selected 16 patients with histologically proven FCD. Image processing features were calculated over a neighborhood for each voxel in the three-dimensional T1-weighted MRI. Three feature maps were generated: (1) gray matter thickness map to model cortical thickening, (2) gradient map to model blurring of the gray matter-white matter junction, and (3) relative intensity map to model the hyperintense signal within the lesion. Two observers detected lesions on conventional MRI in 8/16 and on ratio maps in 14/16 patients. Sensitivity was 87.5% (14/16) for the ratio maps compared to 50% (8/16) for MRI (p < 0.003). Specificity was 95% (19/20) for ratio maps and 100% (20/20) for MRIs. Cohen's kappa was 0.53 for MRIs, indicating moderate agreement, and 0.83 for ratio maps, indicating strong agreement beyond chance between the 2 observers. The image-processing methods developed in this study improve visual detection of FCD, even in cases where no lesion is obvious on MRI. These techniques could increase the number of patients with partial epilepsy who could benefit from surgery.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle