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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».