Manual Segmentation of MS Cortical Lesions Using MRI: A Comparison of 3 MRI Reading Protocols
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Double inversion recovery has been suggested as the MR imaging contrast of choice for segmenting cortical lesions in patients with multiple sclerosis. In this study, we sought to determine the utility of double inversion recovery for cortical lesion identification by comparing 3 MR imaging reading protocols that combine different MR imaging contrasts. MATERIALS AND METHODS: Twenty-five patients with relapsing-remitting MS and 3 with secondary-progressive MS were imaged with 3T MR imaging by using double inversion recovery, dual fast spin-echo proton-density/T2-weighted, 3D FLAIR, and 3D T1-weighted imaging sequences. Lesions affecting the cortex were manually segmented by using the following 3 MR imaging reading protocols: Protocol 1 (P1) used all available MR imaging contrasts; protocol 2 (P2) used all the available contrasts except for double inversion recovery; and protocol 3(P3) used only double inversion recovery. RESULTS: Six hundred forty-three cortical lesions were identified with P1 (mean = 22.96); 633, with P2 (mean = 22.6); and 280, with P3 (mean = 10). The counts obtained by using P1 and P2 were not significantly different (P = .93). The counts obtained by using P3 were significantly smaller than those obtained by using either P1 (P < .001) or P2 (P < .001). The intraclass correlation coefficients were P1 versus P2 = 0.989, P1 versus P3 = 0.615, and P2 versus P3 = 0.588. CONCLUSIONS: MR imaging cortical lesion segmentation can be performed by using 3D T1-weighted and 3D FLAIR images acquired with a 1-mm isotropic voxel size, supported by conventional T2-weighted and proton-density images with 3-mm-thick sections. Inclusion of double inversion recovery in this multimodal reading protocol did not significantly improve the cortical lesion identification rate. A multimodal approach is superior to using double inversion recovery alone.
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 | 0,009 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».