Evaluation of performance metrics for bias field correction in MR brain images
Notice bibliographique
Résumé
PURPOSE: To investigate inconsistencies between common performance measures for bias field correction reported in several recent studies and propose a solution. MATERIALS AND METHODS: A set of synthetic images of a normal brain from the Montréal Simulated Brain Database (SBD) was processed using two bias field correction algorithms. The parameters of these algorithms were varied and the resulting outputs were assessed using several performance measures. Validity was estimated using Spearman rank correlation coefficient between "indirect" performance measures and the L2 norm of the difference between true and estimated bias fields. The "indirect" performance measures tested were: coefficients of variation of white matter (WM) and gray matter (GM), coefficient of joint variation. These measures were tested on bias field-corrected images that were permuted in terms of quality of WM/GM segmentation as well as the presence or absence of light smoothing. RESULTS: Existing indirect performance measures yielded poor validity scores, explaining the inconsistencies reported in the literature. Image noise and inappropriate inclusion of partial volume voxels and neighboring tissues were found to be contributory. Combining conservative segmentation and smoothing significantly improved validity. CONCLUSION: The use of indirect performance measures in the conventional manner to guide bias field correction is unreliable. Using these metrics on lightly smoothed images with conservatively segmented tissues proved more reliable for guiding the selecting of parameters for nonuniformity correction ultimately contributing to more accurate brain segmentation.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».