Enregistrement W2803959545 · doi:10.1016/j.neuroimage.2018.09.081

Automatic segmentation of the spinal cord and intramedullary multiple sclerosis lesions with convolutional neural networks

2018· preprint· en· W2803959545 sur OpenAlexafffund

Charley Gros, Benjamin De Leener, Atef Badji, Josefina Maranzano, Dominique Eden, Sara M. Dupont, Jason F. Talbott, Ren Zhuoquiong, Yaou Liu, Tobias Granberg, Russell Ouellette, Yasuhiko Tachibana, Masaaki Hori, Kouhei Kamiya, Lydia Chougar, Leszek Stawiarz, Jan Hillert, Élise Bannier, Anne Kerbrat, Gilles Edan, Pierre Labauge, Virginie Callot, Jean Pelletier, Bertrand Audoin, Henitsoa Rasoanandrianina, Jean‐Christophe Brisset, Paola Valsasina, Maria A. Rocca, Massimo Filippi, Rohit Bakshi, Shahamat Tauhid, Ferrán Prados, Marios Yiannakas, Hugh Kearney, Olga Ciccarelli, Seth A. Smith, Constantina A. Treaba, Caterina Mainero, Jennifer Lefeuvre, Daniel S. Reich, Govind Nair, Vincent Auclair, Donald G. McLaren, Allan R. Martin, Michael G. Fehlings, Shahabeddin Vahdat, Ali Khatibi, Julien Doyon, Timothy M. Shepherd, Erik Charlson, Sridar Narayanan, Julien Cohen‐Adad

Notice bibliographique

RevueNeuroImage · 2018

Typepreprint

Langueen

DomaineEngineering

ThématiqueMedical Imaging and Analysis

Établissements canadiensUniversity of TorontoMontreal Neurological Institute and HospitalUniversité de MontréalPolytechnique Montréal

Organismes subventionnairesNational Institute of Neurological Disorders and StrokeNational Eye InstituteFonds de Recherche du Québec - SantéCanadian Institutes of Health ResearchNational Multiple Sclerosis SocietyGenentechCentre National de la Recherche ScientifiqueSvenska Sällskapet för Medicinsk ForskningCanada Foundation for InnovationMinistero della SaluteNational Institutes of HealthCanada Research ChairsIntramural Research ProgramAgence Nationale de la RechercheFondation Aix-Marseille UniversiteFondation pour l'Aide à la Recherche sur la Sclérose en PlaquesFonds de recherche du Québec – Nature et technologiesStockholms Läns LandstingWings for LifeInstitut de Valorisation des DonnéesFondazione Italiana Sclerosi MultiplaNational Institute for Health and Care ResearchTeva Pharmaceutical IndustriesInternational Society of Regulatory Toxicology and PharmacologyNatural Sciences and Engineering Research Council of CanadaBiogenU.S. Department of DefenseSanofiEMD Serono

Mots-clésSpinal cordSegmentationMedicineMultiple sclerosisConvolutional neural networkCordLesionArtificial intelligencePattern recognition (psychology)Computer sciencePathologySurgery

DOI10.1016/j.neuroimage.2018.09.081

Résumé

récupéré en direct d'OpenAlex

Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.

Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001

score de la tête « metaresearch » (Gemma)0,001

Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated

Catégories candidatesaucune

Catégories consensuellesaucune

DomaineSignal candidat: aucune · Signal consensuel: aucune

Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune

GenreSignal candidat: Empirique · Signal consensuel: aucune

Score de désaccord entre enseignants0,013

Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

Catégorie	Codex	Gemma
Métarecherche	0,001	0,001
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	0,000
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	0,001

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.

Tête enseignante Opus0,032

Tête enseignante GPT0,245

Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail

Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.

Devis d'étudeSimulation ou modélisation

Domainenon disponible

GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26

Publié2018

Routes d'admission2

Résumé présentnon

Télécharger la notice (JSON)Signaler un problème avec cette notice

Explorer davantage

Même revueNeuroImage→Même sujetMedical Imaging and Analysis→Travaux en français237 207→