A Hyperspectral Imaging Approach to White Matter Hyperintensities Detection in Brain Magnetic Resonance Images
Notice bibliographique
Résumé
White matter hyperintensities (WMHs) are closely related to various geriatric disorders including cerebrovascular diseases, cardiovascular diseases, dementia, and psychiatric disorders of elderly people, and can be generally detected on T2 weighted (T2W) or fluid attenuation inversion recovery (FLAIR) brain magnetic resonance (MR) images. This paper develops a new approach to detect WMH in MR brain images from a hyperspectral imaging perspective. To take advantage of hyperspectral imaging, a nonlinear band expansion (NBE) process is proposed to expand MR images to a hyperspectral image. It then redesigns the well-known hyperspectral subpixel target detection, called constrained energy minimization (CEM), as an iterative version of CEM (ICEM) for WMH detection. Its idea is to implement CEM iteratively by feeding back Gaussian filtered CEM-detection maps to capture spatial information. To show effectiveness of NBE-ICEM in WMH detection, the lesion segmentation tool (LST), which is an open source toolbox for statistical parametric mapping (SPM), is used for comparative study. For quantitative analysis, the synthetic images in BrainWeb provided by McGill University are used for experiments where our proposed NBE-ICEM performs better than LST in all cases, especially for noisy MR images. As for real images collected by Taichung Veterans General Hospital, the NBE-ICEM also shows its advantages over and superiority to LST.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 ».