IC‐P‐128: Robust, Large‐Scale Intensity Standardization of ADNI MRI Dataset
Notice bibliographique
Résumé
MRI taken from different scanners appear dissimilar from each other due to a variety of scanner-dependent variations. This situation is particularly acute in large, multi-centric settings such as ADNI. Intensity standardization must therefore be performed in order that similar intensities will have similar tissue meaning in the transformed images across scanners. We employed a novel technique for intensity standardization (STI), which makes use of available reference image tissue masks (background, grey and white matters). After global linear registration of the subject's original image to the standard (example shown in (A)), we computed a mapping function based on the intensity correspondences obtained for each tissue, thereby implicitly binding histogram matching to tissue correspondence. We compared STI to an histogram-matching technique (PCT - Nyul, Udupa et al. 2000), in its original (PCT-10: percentile landmarks spaced by 10%) and modified form (PCT-1: 1% landmark spacing). We based our comparison on four measures: 1) mean absolute error (MAE) w.r.t. standard, 2) Kullback-Leibler divergence (KLD) w.r.t. standard, 3) normalized mutual information (NMI) w.r.t. pre-standardization image, and 4) sum of the diagonal elements of the joint histogram of standard vs. post-standardization images (JHDS). We applied the technique on 757 baseline MRIs from controls, mild cognititive impairment and probable Alzheimer's disease subjects from the ADNI dataset, visually inspected all data, and calculated comparison measures. Unsurprisingly, on histogram-centric measures (MAE, KLD) the PCT-10 and PCT-1 technique fares better than STI (B), with better histogram match (C); yet, as can be appreciated even to the naked eye (A), it does so at the cost of introducing signal variability within the background and white matter. In contrast, over the entire ADNI dataset, STI showed a statistically significant improvement in NMI and JHDS scores (D), corroborating visual inspection (A). With this new technique we were able to standardize intensities in the large, multi-centric ADNI dataset. The major limitation of STI is that global linear registration to the standard image is necessary.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,007 |
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 ».