<title>Towards automatic segmentation of MS lesions in PD/T2 MR images</title>
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,076 | 0,086 |
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 source (Gemma direct ou Codex distillé), 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 ».