Biomarker Localization, Analysis, Visualization, Extraction, and Registration (BLAzER) Workflow for Research and Clinical Brain PET Applications
Notice bibliographique
Résumé
ABSTRACT Objective There is a need for tools enabling efficient evaluation of amyloid- and tau-PET images suited for both clinical and research settings. The purpose of this study was to assess and validate a semi-automated imaging workflow, called Biomarker Localization, Analysis, Visualization, Extraction, and Registration (BLAzER). We tested BLAzER using two different segmentation platforms, FreeSurfer (FS) and Neuroreader (NR), for regional brain PET quantification in images from participants in the Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset. Methods 127 amyloid-PET and 55 tau-PET studies along with corresponding volumetric MRI were obtained from ADNI. The BLAzER workflow utilizes segmentation of MR images by FS or NR, then visualizes and quantifies regional brain PET data using FDA-cleared software (MIM), enabling quality control to ensure optimal registration and detect segmentation errors. Results BLAzER analysis required only ∼5 min plus segmentation time. BLAzER using FS segmentation showed strong agreement with ADNI for global amyloid-PET standardized uptake value ratios (SUVRs) (r = 0.9922, p < 0.001) and regional tau-PET SUVRs across all Braak staging regions (r > 0.97, p < 0.001) with high inter-operator reproducibility for both (ICC > 0.97) and nearly identical dichotomization as amyloid-positive or -negative (2 discrepant cases out of 127). Comparing FS vs. NR segmentation with BLAzER, the global SUVRs were strongly correlated for global amyloid-PET (r = 0.9841, p < 0.001), but were systematically higher (4% on average) with NR, likely due to more inclusion of white matter, which has high florbetapir binding. Conclusions BLAzER provides an efficient workflow for regional brain PET quantification. FDA-cleared components and the ability to visualize registration reduce barriers between research and clinical applications.
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 | 0,016 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,005 |
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 ».