A fully automated system for quantification of knee bone marrow lesions using MRI and the osteoarthritis initiative cohort
Notice bibliographique
Résumé
Background/Objective: Bone marrow lesions (BMLs) have been associated with pain and cartilage degeneration in patients with knee osteoarthritis; their specific detection and quantification is therefore of primary importance. This study aimed at developing a fully automated quantitative BML assessment technology for human knee osteoarthritis using magnetic resonance images (MRI) and two sequences, a T1/T2*-weighted gradient echo (DESS) and a water-sensitive intermediate-weighted turbo spin echo (IW-TSE). Methods: The automated BML quantification first characterizes the bone and cartilage domains in the DESS sequence using our already published automated technology, then proceeds to the BML quantification which was developed as a four-stage process: selection of structured bright areas corresponding to BMLs, geometric filtering of unrelated structures, segmentation of the BML, and quantification of BML proportion within bone regions. For the IW-TSE sequence, the first step consists of the transfer of the bone and cartilage objects from the DESS to the IW-TSE images, followed by the BML detection and quantification as for the DESS. Validation was performed on 154 OA patients from a subset of the Osteoarthritis Initiative (OAI) cohort (public data sets) in which BML manual segmentation intra- and inter-reader reliability was done for each sequence (DESS and IW-TSE) using the intraclass correlation (ICC). BML comparison between the newly developed automated method with a manual segmentation was performed with ICC for the proportion of BML and Dice similarity coefficient (DSC) for BML localization and geometric extent. Finally, comparisons between the DESS and the IW-TSE sequences were performed for BML incidence and proportion. Results: Excellent to very good correlations were obtained for both MRI sequences for intra- and inter-reader reliability of the manual BML segmentation. Comparison between the developed automated method and the manual BML segment- ation showed excellent to very good correlations in the global knee and regions (ICC=0.99 to 0.68 for DESS and 0.99 to 0.77 for IW-TSE sequences) as well as very good to good similarity for the BML geometrical agreement (DESS, 0.60 to 0.41; IW-TSE, 0.59 to 0.41). Data revealed greater BML incidence at the sites of high articular constraints: lateral femoropatellar and medial tibiofemoral articulation. Average BML proportion revealed a scaling factor of about 4.5-fold more for the IW-TSE compared to the DESS. Conclusions: The newly developed fully automated MRI based BML assessment technology not only detects the absence/ presence of these pathological signals in the osteoarthritic human knee, but also provides accurate quantitative assessment of BMLs in the global knee and knee regions. Such automated system will enable large scale studies to be conducted within shorter durations, as well as increase stability of the reading.
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 | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».