Fully automated segmentation of the cervical cord from T1-weighted MRI using PropSeg: Application to multiple sclerosis
Notice bibliographique
Résumé
Spinal cord (SC) atrophy, i.e. a reduction in the SC cross-sectional area (CSA) over time, can be measured by means of image segmentation using magnetic resonance imaging (MRI). However, segmentation methods have been limited by factors relating to reproducibility or sensitivity to change. The purpose of this study was to evaluate a fully automated SC segmentation method (PropSeg), and compare this to a semi-automated active surface (AS) method, in healthy controls (HC) and people with multiple sclerosis (MS). MRI data from 120 people were retrospectively analysed; 26 HC, 21 with clinically isolated syndrome, 26 relapsing remitting MS, 26 primary and 21 secondary progressive MS. MRI data from 40 people returning after one year were also analysed. CSA measurements were obtained within the cervical SC. Reproducibility of the measurements was assessed using the intraclass correlation coefficient (ICC). A comparison between mean CSA changes obtained with the two methods over time was performed using multivariate structural equation regression models. Associations between CSA measures and clinical scores were investigated using linear regression models. Compared to the AS method, the reproducibility of CSA measurements obtained with PropSeg was high, both in patients and in HC, with ICC > 0.98 in all cases. There was no significant difference between PropSeg and AS in terms of detecting change over time. Furthermore, PropSeg provided measures that correlated with physical disability, similar to the AS method. PropSeg is a time-efficient and reliable segmentation method, which requires no manual intervention, and may facilitate large multi-centre neuroprotective trials in progressive MS.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».