Identifying lesions in paediatric epilepsy using morphometric and textural analysis of magnetic resonance images
Notice bibliographique
Résumé
We seek to examine the use of an image processing pipeline on Magnetic Resonance Imaging (MRI) to identify features of Focal Cortical Dysplasia (FCD) in children who were suspected to have FCD on MRI (MRI-positive) and those with MRI-negative epilepsy. We aim to use a computer-aided diagnosis system to identify epileptogenic lesions with a combination of established morphometric features and textural analysis using Gray-Level Co-occurrence Matrices (GLCM) on MRI sequences. We implemented a modified version of the 2-Step Bayesian classifier method to a paediatric cohort with medically intractable epilepsy with MRI-positive and MRI-negative epilepsy, and evaluated the performance of the algorithm trained on textural features derived from T1-weighted (T1-w), T2-weighted (T2-w), and FLAIR (Fluid Attenuated Inversion Recovery) sequences. For MRI-positive cases, T1-w has the highest subjectwise sensitivity relative to T2-w and FLAIR (94% vs. 90% vs. 71% respectively), and also the highest lesional sensitivity (63% vs. 60% vs. 42% respectively), but the lowest lesional specificity (75% vs. 80% vs. 89% respectively). Combination of all three sequences improved the performance of the algorithm, with 97% subjectwise sensitivity. For MRI-negative cases, T1-w has the highest subjectwise sensitivity relative to T2-w and FLAIR (48% vs. 30% vs. 39% respectively), and also the highest lesional sensitivity (31% vs. 22% vs. 28% respectively). However, T2-w has the highest lesional specificity relative to T1-w and FLAIR (95% vs. 94% vs. 92% respectively) for MRI-negative cases. Combination of all three sequences improved the performance of the algorithm, with 70% subjectwise sensitivity. The 2-Step Naïve Bayes classifier correctly rejected 100% of the healthy subjects for all three sequences. Using combined morphometric and textural analysis in a 2-Step Bayesian classifier, applied to multiple MRI sequences, can assist with lesion detection in children with intractable epilepsy.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».