IC‐P‐168: Lddmm‐Based Robust Multi‐Template Subcortical Segmentation Using an ADNI Template Library
Notice bibliographique
Résumé
Morphological studies analyzing subcortical brain changes caused by neurodegenerative dementias or aging require the delineation or segmentation of subcortical structure boundaries from the structural Magnetic Resonance Imaging (MRI) images. As manual segmentation becomes tedious and extremely time consuming beyond small image datasets, automated techniques are needed in practice for subcortical MRI segmentation. In this work, we propose a novel method for subcortical segmentation following the well established multi-template fusion framework. Our proposed method employs the popular Large Deformation Diffeomorphic Metric Mapping (LDDMM) algorithm for propagating the manual labels from the template image onto the target image. The accuracy and efficiency of this label propagation is improved by considering a tight bounding boxes around the subcortical structures based on the initial segmentations obtained using Freesurfer (FS). The most important aspect of the proposed method is the use of a robust template selection strategy to choose templates that are anatomically similar to the target image while discarding the ones that are too dissimilar before the fusion step. The robust template selection involves ranking the propagated manual template segmentations based on their Hausdorff surface distance to the initial FS segmentation. Only the top ranked propagated template segmentations are fused to obtain the desired target segmentation. We developed a manual template library consisting 74 MRI images taken from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database. In each of the template images, six subcortical structures, amygdala, caudate, hippocampus, putamen, thalamus and ventricles were delineated by a manual operator. The proposed method was validated using the ADNI template library in a leave-one-out cross-validation framework. The segmentation accuracy was measured using the dice overlap measure between the manual and automated segmentations. Our method obtained excellent (80-90%) dice scores for all the six subcortical structures on an average. Further, independent validation on the benchmark Harmonized Protocol (HarP) database with “ground truth” hippocampus labels also yielded (> 80%) mean dice scores. An accurate and robust automated subcortical segmentation method has been developed. The proposed method can be used to facilitate large scale studies on analyzing morphological changes of the subcortical structures in the brain using large image databases.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
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 ».