Automated Template-Based Hippocampal Segmentations from MRI: The Effects of 1.5T or 3T Field Strength on Accuracy
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
Hippocampal volumetric measures may be useful for Alzheimer's disease (AD) diagnosis and disease tracking; however, manual segmentation of the hippocampus is labour-intensive. Therefore, automated techniques are necessary for large studies and to make hippocampal measures feasible for clinical use. As large studies and clinical centres are moving from using 1.5 Tesla (T) scanners to higher field strengths it is important to assess whether specific image processing techniques can be used at these field strengths. This study investigated whether an automated hippocampal segmentation technique (HMAPS: hippocampal multi-atlas propagation and segmentation) and volume change measures (BSI: boundary shift integral) were as accurate at 3T as at 1.5T. Eighteen Alzheimer's disease patients and 18 controls with 1.5T and 3T scans at baseline and 12-month follow-up were used from the Alzheimer's Disease Neuroimaging Initiative cohort. Baseline scans were segmented manually and using HMAPS and their similarity was measured by the Jaccard index. BSIs were calculated for serial image pairs. We calculated pair-wise differences between manual and HMAPS rates at 1.5T and 3T and compared the SD of these differences at each field strength. The difference in mean Jaccards (manual and HMAPS) between 1.5T and 3T was small with narrow confidence intervals (CIs) and did not appear to be segmentor dependent. The SDs of the difference between volumes from manual and automated segmentations were similar at 1.5T and 3T, with a relatively narrow CI for their ratios. The SDs of the difference between BSIs from manual and automated segmentations were also similar at 1.5T and 3T but with a wider CI for their ratios. This study supports the use of our automated hippocampal voluming methods, developed using 1.5T images, with 3T 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.
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 | 0,001 |
| 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