Evaluation of MR Image Normalization Methods for Cerebral Small Vessel Disease
Notice bibliographique
Résumé
The quantitative analysis of magnetic resonance (MR) images requires accurate spatial normalization.This technique requires transforming one image so that it has the same shape,size and orientation as a template. Since normalization aims to minimize the signal intensitydifference between two images, areas with diffuse signal abnormalities are often incorrectlytransformed. It is therefore important to determine whether normalization programs that employlarge deformation frameworks are more accurate than those that use small deformationframeworks. This is particularly relevant when looking at images of patients with cerebral smallvessel disease (SVD), which is a group of pathological processes that results in subcortical lesions.A deformation field, defined by the user, was applied to twelve sets of patient scans consistingof T1-weighted, proton density (PD), and Fluid attenuated inversion recovery (FLAIR) images.Three widely used normalization programs that employ small (FNIRT, ANTS) and large (SyN)deformation frameworks were utilized to normalize the warped scans to the original images.Relative percent error was then generated for each sequence by finding the percent differencebetween the normalized and original image. Figure 1 shows the sequence of images producedusing the SyN normalization routine for one slice of a FLAIR image. It was found that every MRsequence normalized using SyN (large deformation framework) had a smaller percent differencethan images normalized using FNIRT or ANTS (small deformation framework). Using SyN, therelative percent errors were: eT1= 8.1%, ePD = 5.8%, eFLAIR = 30.8%. The images normalizedwith FNIRT had relative percent errors of: eT1 = 8.5%, ePD = 56.8%, eFLAIR = 66.6% and usingANTS, the relative percent errors were: eT1= 15.6%, ePD = 10.3%, eFLAIR = 52.3%. It wasconcluded that the large deformation framework was the more robust method of normalizingMR images with SVD.16
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 | 0,017 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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 | 0,000 |
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 ».