Automatic segmentation of the hippocampus and the amygdala driven by hybrid constraints: Method and validation
Notice bibliographique
Résumé
The segmentation from MRI of macroscopically ill-defined and highly variable structures, such as the hippocampus (Hc) and the amygdala (Am), requires the use of specific constraints. Here, we describe and evaluate a fast fully automatic hybrid segmentation that uses knowledge derived from probabilistic atlases and anatomical landmarks, adapted from a semi-automatic method. The algorithm was designed at the outset for application on images from healthy subjects and patients with hippocampal sclerosis. Probabilistic atlases were built from 16 healthy subjects, registered using SPM5. Local mismatch in the atlas registration step was automatically detected and corrected. Quantitative evaluation with respect to manual segmentations was performed on the 16 young subjects, with a leave-one-out strategy, a mixed cohort of 8 controls and 15 patients with epilepsy with variable degrees of hippocampal sclerosis, and 8 healthy subjects acquired on a 3 T scanner. Seven performance indices were computed, among which error on volumes RV and Dice overlap K. The method proved to be fast, robust and accurate. For Hc, results with the new method were: 16 young subjects {RV=5%, K=87%}; mixed cohort {RV=8%, K=84%}; 3 T cohort {RV=9%, K=85%}. Results were better than with atlas-based (thresholded probability map) or semi-automatic segmentations. Atlas mismatch detection and correction proved efficient for the most sclerotic Hc. For Am, results were: 16 young controls {RV=7%, K=85%}; mixed cohort {RV=19%, K=78%}; 3 T cohort {RV=10%, K=77%}. Results were better than with the semi-automatic segmentation, and were also better than atlas-based segmentations for the 16 young subjects.
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 ».