Texture Analysis to Detect Cerebral Degeneration in Amyotrophic Lateral Sclerosis
Notice bibliographique
Résumé
BACKGROUND: Evidence of cerebral degeneration is not apparent on routine brain MRI in amyotrophic lateral sclerosis (ALS). Texture analysis can detect change in images based on the statistical properties of voxel intensities. Our objective was to test the utility of texture analysis in detecting cerebral degeneration in ALS. A secondary objective was to determine whether the performance of texture analysis is dependent on image resolution. METHODS: High-resolution (0.5×0.5 mm2 in-plane) coronal T2-weighted MRI of the brain were acquired from 12 patients with ALS and 19 healthy controls on a 4.7 Tesla MRI system. Image data sets at lower resolutions were created by down-sampling to 1×1, 2×2, 3×3, and 4×4 mm2. Texture features were extracted from a slice encompassing the corticospinal tract at the different resolutions and tested for their discriminatory power and correlations with clinical measures. Subjects were also classified by visual assessment by expert reviewers. RESULTS: Texture features were different between ALS patients and healthy controls at 1×1, 2×2, and 3×3 mm2 resolutions. Texture features correlated with measures of upper motor neuron function and disability. Optimal classification performance was achieved when best-performing texture features were combined with visual assessment at 2×2 mm2 resolution (0.851 area under the curve, 83% sensitivity, 79% specificity). CONCLUSIONS: Texture analysis can detect subtle abnormalities in MRI of ALS patients. The clinical yield of the method is dependent on image resolution. Texture analysis holds promise as a potential source of neuroimaging biomarkers in ALS.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».