Dilated Saliency U-Net for White Matter Hyperintensities Segmentation using Irregularity Age Map
Notice bibliographique
Résumé
ABSTRACT White matter hyperintensities(WMH) appear as regions of abnormally high signal intensity on T2-weighted magnetic resonance image(MRI) sequences. In particular, WMH have been noteworthy in age-related neuroscience for being a crucial biomarker for Alzheimer’ s disease and brain aging processes. However, the automatic WMH segmentation is challenging because of the variable intensity range, size and shape. U-Net tackled this problem through the dense prediction and showed competitive performances on not only WMH segmentation/detection but also on varied image segmentation tasks, but it still accompanies a high complexity of the network architecture. In this study, we propose to use Saliency U-Net architecture and irregularity age map(IAM) to decrease the U-Net complexity without a performance loss. We trained Saliency U-Net using both T2-FLAIR MRI sequence and IAM. Since IAM guides where irregularities, in which WMH is possibly included, exist on the MRI slice, Saliency U-Net performs better than the original U-Net trained only using T2-FLAIR. The better performance was achieved with fewer parameters and shorter training time. Moreover, the application of dilated convolution enhanced Saliency U-Net to recognise the shape of large WMH more accurately by learning multi-context on MRI slices. This network named Dilated Saliency U-Net improved Dice coefficient score to 0.5588 which is the best score among our experimental models, and recorded a relatively good sensitivity of 0.4747 with the shortest train time and the least number of parameters. In conclusion, based on the experimental results, incorporating IAM through Dilated Saliency U-Net resulted an appropriate approach for WMH segmentation.
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) | 0,001 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».