Optimizing the Use of Radiologist Seed Points for Improved Multiple Sclerosis Lesion Segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle