<title>Towards automatic segmentation of MS lesions in PD/T2 MR images</title>
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
Recognizing that conspicuous multiple sclerosis (MS) lesions have high intensities in both dual-echo T2 and PD-weighted MR brain images, we show that it is possible to automatically determine a thresholding mechanism to locate conspicuous lesion pixels and also to identify pixels that suffer from reduced intensity due to partial volume effects. To do so, we first transform a T2-PD feature space via a log(T2)- log(T2+PD) remapping. In the feature space, we note that each MR slice, and in fact the whole brain, is approximately transformed into a line structure. Pixels high in both T2 and PD, corresponding to candidate conspicuous lesion pixels, also fall near this line. Therefore we first preprocess images to achieve RF-correction, isolation of the brain, and rescaling of image pixels into the range 0 - 255. Then, following remapping to log space, we find the main linear structure in feature space using a robust estimator that discounts outliers. We first extract the larger conspicuous lesions which do not show partial volume effects by performing a second robust regression for 1D distances along the line. The robust estimator concomitantly produces a threshold for outliers, which we identify with conspicuous lesion pixels in the high region. Finally, we perform a third regression on the conspicuous lesion pixels alone, producing a 2D conspicuous lesion line and confidence interval band. This band can be projected back into the adjacent, non-conspicuous, region to identify tissue pixels which have been subjected to the partial volume effect.
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