Optimal Filter Design for Multiple Sclerosis Lesions Segmentation from Regions of Interest in Brain MRI
Notice bibliographique
Résumé
In this paper, we propose an optimal filter design strategy for the purpose of detecting and segmenting MS lesions in prescribed regions of interest within brain MRI data. Reliable segmentation of multiple sclerosis lesions in magnetic resonance brain imaging is important for at least three types of practical applications: pharmaceutical trials, decision making for drug treatment or surgery, and patient follow-up. Manual segmentation of the MS lesions in brain MRI by well qualified experts is usually preferred. However, manual segmentation is hard to reproduce and can be time consuming in the presence of large volumes of MRI data. On the other hand, automated segmentation methods are significantly faster and yield reproducible results. However, these methods generally produce segmentation results that agree only partially with the ground truth segmentation provided by the expert. In this work, we propose a semi-automated MS lesion detection system that combines the knowledge of the expert with the computational capacity to produce faster and more reliable MS segmentation results. In particular, the user selects coarse regions of interest (ROI's) that enclose potential MS lesions and a sufficient background of healthy white matter tissues. Having this two-class classification problem, we propose a feature extraction method based on optimal filter design that aim for producing output texture features corresponding to the MS lesions and healthy tissues background which are maximally separable. If this is achieved, the two output features may be easily separated using simple thresholding operations. The method is applied on real MRI data and the results are qualitatively compared to a ground truth, which is manually segmented by a human expert
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 | 0,000 |
| 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 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 ».