Spatial intensity prior correction for tissue segmentation in the developing human brain
Notice bibliographique
Résumé
The degree of white matter (WM) myelination is rather inhomogeneous across the brain. As a consequence, white matter appears differently across the cortical lobes in MR images acquired during early postnatal development. At 1 year old specifically, the gray/white matter contrast of MR images in prefrontal and temporal lobes is limited and thus tissue segmentation results show commonly reduce edaccuracy in these lobes. In this novel work, we propose the use of spatial intensity growth maps (IGM) for T1 and T2 weighted image to compensate for local appearance inhomogeneity. The IGM captures expected intensity changes from 1 to 2 years of age, as appearance inhomogeneity is highly reduced by the age of 24 months. For that purpose, we employ MRI data from a large dataset of longitudinal (12 and 24 month old subjects) MR study of Autism. The IGM creation is based on automatically co-registered images at 12 months, corresponding registered 24 months images, and a final registration of all image to a prior average template. In template space, voxelwise correspondence is thus achieved and the IGM is computed as the coefficient of a voxelwise linear regression model between corresponding intensities at 1-year and 2-years. The proposed IGM shows low regression values of 1-10% in GM and CSF regions, as well as in WM regions at advanced stage of myelination at 1-year. However, in the prefrontal and temporal lobe we observed regression values of 20-25%, indicating that the IGM appropriately captures the expected large intensity change in these lobes due to myelination. The IGM is applied to cross-sectional MRI datasets of 1-year old subjects via registration, correction and tissue segmentation of the corrected dataset. We validated our approach in a small study of images with known, manual "ground truth" segmentations. We furthermore present an EM-like optimization of adapting existing non-optimal prior atlas probability maps to fit known expert rater segmentations.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».