Automatic Temporal Segmentation of Vessels of the Brain Using 4D ASL MRA Images
Notice bibliographique
Résumé
OBJECTIVE: Automatic vessel segmentation can be used to process the considerable amount of data generated by four-dimensional arterial spin labeling magnetic resonance angiography (4D ASL MRA) images. Previous segmentation approaches for dynamic series of images propose either reducing the series to a temporal average (tAIP) or maximum intensity projection (tMIP) prior to vessel segmentation, or a separate segmentation of each image. This paper introduces a method that combines both approaches to overcome the specific drawbacks of each technique. METHODS: Vessels in the tAIP are enhanced by using the ranking orientation responses of path operators and multiscale vesselness enhancement filters. Then, tAIP segmentation is performed using a seed-based algorithm. In parallel, this algorithm is also used to segment each frame of the series and identify small vessels, which might have been lost in the tAIP segmentation. The results of each individual time frame segmentation are fused using an or boolean operation. Finally, small vessels found only in the fused segmentation are added to the tAIP segmentation. RESULTS: In a quantitative analysis using ten 4D ASL MRA image series from healthy volunteers, the proposed combined approach reached an average Dice coefficient of 0.931, being more accurate than the corresponding tMIP, tAIP, and single time frame segmentation methods with statistical significance. CONCLUSION: The novel combined vessel segmentation strategy can be used to obtain improved vessel segmentation results from 4D ASL MRA and other dynamic series of images. SIGNIFICANCE: Improved vessel segmentation of 4D ASL MRA allows a fast and accurate assessment of cerebrovascular structures.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».