Optimizing the Use of Radiologist Seed Points for Improved Multiple Sclerosis Lesion Segmentation
Notice bibliographique
Résumé
Many current methods for multiple sclerosis (MS) lesion segmentation require radiologist seed points as input, but do not necessarily allow the expert to work in an intuitive or efficient way. Ironically, most methods also assume that the points are placed optimally. This paper examines how seed points can be processed with intuitive heuristics, which provide improved segmentation accuracy while facilitating quick and natural point placement. Using a large set of MRIs from an MS clinical trial, two radiologists are asked to seed the lesions while unaware that the points would be fed into a classifier, based on Parzen windows, that automatically delineates each marked lesion. To evaluate the impact of the new heuristics, an interactive region-growing method is used to provide ground truth and the Dice coefficient (DC) and Spearman’s rank correlation are used as the primary measures of agreement. A stratified analysis is performed to determine the effect on scans with low-, medium-, and high lesion loads. Compared to the unenhanced classifier, the heuristics dramatically improve the DC (+32.91 pt.) and correlation (+0.50) for the scans with low lesion loads, and also improve the DC (+14.55 pt.) and correlation (+0.15) for the scans with medium lesion loads, while having aminimal effect for the scans with high lesion loads, which are already segmented accurately by Parzen windows.With the heuristics, the DC is close to 80% and the correlation is above 0.9 for all three load categories.
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 | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».