Fully-automated segmentation of the striatum in the PET/MR images using data fusion
Notice bibliographique
Résumé
Different imaging modalities sample different properties of the tissue, and thus the tissue may appear different depending on the imaging technique. As a consequence, the shapes of organs and homogenous regions in tissues often have different shapes depending on the type of imaging. This presents a problem for ROI-based multi-modality quantitative imaging studies, since it is not clear what modality should be used for data segmentation. An example of such study is the quantitative PET imaging of Parkinson's disease subjects, which often present functional atrophy without an anatomical atrophy. A choice must be made between anatomical (MRI) and radioactivity-based (PET) ROIs. In addition manual ROI placement can be very time consuming and may lack consistency. In this work, we propose a new approach to multi-modality image segmentation. The proposed method generates so-called mixed ROIs that can be computed in a fully automated mode from single modality-based pure ROIs. The computation of the mixed ROIs is based on the fusion of probability images. The use of the fusion principles made it possible to transition between the pure ROI shapes in a smooth fashion. The mixed ROIs were found to be better aligned with the high activity regions than the pure MR ROIs, and had higher anatomical fidelity compared to the pure PET ROIs. Using the method, it is possible to generate a multitude of ROI sets for a particular study starting from one or more previously defined regions.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».