Beyond cost function masking: RPCA-based non-linear registration in the context of VLSM
Notice bibliographique
Résumé
Voxel-based lesion symptom mapping (VLSM) allows studying the relationship between stroke location and clinical outcome. The core idea of VLSM is to map all patient cases into a common atlas space and then apply statistical tests on a voxel level comparing outcome measures of patients with a lesion in the voxel to those without lesion. A major limitation of VLSM is that it requires a previous lesion segmentation, which is mostly performed manually, for masked subject-to-atlas registration as well as for the VLSM analysis. The aim of this work is to evaluate the feasibility of a recently introduced robust PCA (RPCA)-based iterative non-linear registration framework that potentially overcomes this limitation by generating the lesion segmentation on the fly. In addition, we propose and evaluate a rapid variant of this framework (successively tightened low rank-condition RPCA, stl-RPCA). Based on 29 follow-up FLAIR datasets of patients with ischemic stroke, the lesion segmentation capabilities and subject-to-atlas transformation properties of the RPCA methods are evaluated and compared to non-linear registration with and without cost function masking. Results reveal that the proposed method is capable of segmenting the lesions with an average Dice coefficient of 63%. Similar to nonlinear registration with cost function masking, the RPCA-based registration frameworks significantly decrease confounding effects of pathologies on subject-to-atlas transformation properties. Overall, the RPCA frameworks lead to promising results and could considerably enhance VLSM analyses.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».