Data-Driven Corpus Callosum Parcellation Method Through Diffusion Tensor Imaging
Notice bibliographique
Résumé
The corpus callosum (CC) is a set of neural fibers in the cerebral cortex, responsible for facilitating inter-hemispheric communication. The CC structural characteristics appear as an essential element for studying healthy subjects and patients diagnosed with neurodegenerative diseases. Due to its size, the CC is usually divided into smaller regions, also known as parcellation. Since there are no visible landmarks inside the structure indicating its division, CC parcellation is a challenging task and methods proposed in the literature are geometric or atlas-based. This paper proposed an automatic data-driven CC parcellation method, based on diffusion data extracted from diffusion tensor imaging that uses the Watershed transform. Experiments compared parcellation results of the proposed method with results of three other parcellation methods on a data set containing 150 images. Quantitative comparison using the Dice coefficient showed that the CC parcels given by the proposed method has a mean overlap higher than 0,9 for some parcels and lower than 0,6 for other parcels. Poor overlap results were confirmed by the statistically significant differences obtained for diffusion metrics values in each parcel, when using different parcellation methods. The proposed method was also validated by using the CC tractography and was the only study that proposed a non-geometric approach for the CC parcellation, based only on the diffusion data of each subject analyzed.
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 | 0,001 |
| 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 ».