Assessment of brain surface extraction from PET images using Monte Carlo Simulations
Notice bibliographique
Résumé
In this paper, we evaluate quantitatively the performance of the fully automatic deformable model with dual surface minimization (DM-DSM) method for brain surface extraction from positron emission tomography (PET) images with Monte Carlo simulated data. In addition, we cross validate the DM-DSM method with a method based on MRI-PET registration for PET brain delineation. For this, the automated image registration (AIR) algorithm is combined with the anatomical brain surface extractor (BSE) algorithm. Two radiopharmaceuticals were considered: C-11-Raclopride and F-18-FDG. The success of the two methods was quantified by measuring the similarity between the extracted and the true brain volume. Also local differences between the extracted and the true brain surfaces were measured. With FDG, the DM-DSM method yielded brain surfaces of high accuracy and they were more accurate than with the image registration based method. With Raclopride, the accuracy of the DM-DSM method was slightly lower than with FDG and, on the average, similar to the accuracy of the image registration based method. However with Raclopride, maximal local differences between true and extracted surfaces were found to be greater with DM-DSM. In addition, preliminary experiments with images containing simulated pathology were done and the performance of DM-DSM was excellent in these experiments. To summarize, we found that the DM-DSM method can reliably extract brain surfaces of high accuracy from PET images.
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 | 0,001 |
| 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 ».