Assessing accuracy of automated segmentation methods for brain lateral ventricles in MRI data
Notice bibliographique
Résumé
The incidence of Alzheimer’s disease (AD) has steadily increased over the last few decades. AD leads to a decreased quality of life for those affected, hence, there is an urgent need to identify a reference point that can assist in early identification of the presence of AD. An objective and sensitive measure that may assist in the detection of AD is the lateral ventricle volume. In high-resolution magnetic resonance (MR) images, a relationship between lateral ventricle enlargement and AD progression can be examined. Volumetric data analyses for the ventricles require that they be segmented by neuro-anatomy experts using manual tracing. Since manual segmentation methods are impractical due to time requirements and rater variability, automated methods are frequently used to reliably and accurately segment brain regions. Thus, our goal was to compare the performance of two automated segmentation methods, FreeSurfer (FS) and FreeSurfer combined with Large Deformation Diffeomorphic Metric Mapping label propagation (FS+LDDMM), for the task of lateral ventricle segmentation. The Dice Similarity Coefficient (DSC) was used to evaluate the segmentation accuracy obtained by these two automated methods. When compared to the manual segmentation labels, the FS+LDDMM method had a greater mean DSC than the FreeSurfer method. Moreover, the manual vs. FS+LDDMM DSC values ranged from 99-100, while manual vs. FreeSurfer ranged from 73-92. Both of these results illustrate that FS+LDDMM is an automated method that has a high degree of accuracy and can be used in place of manual segmentation, while FreeSurfer should only be used as a preliminary automatic segmentation method.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».