Automated fiber tract reconstruction for surgery planning: Extensive validation in language-related white matter tracts
Notice bibliographique
Résumé
Diffusion MRI and tractography hold great potential for surgery planning, especially to preserve eloquent white matter during resections. However, fiber tract reconstruction requires an expert with detailed understanding of neuroanatomy. Several automated approaches have been proposed, using different strategies to reconstruct the white matter tracts in a supervised fashion. However, validation is often limited to comparison with manual delineation by overlap-based measures, which is limited in characterizing morphological and topological differences. In this work, we set up a fully automated pipeline based on anatomical criteria that does not require manual intervention, taking advantage of atlas-based criteria and advanced acquisition protocols available on clinical-grade MRI scanners. Then, we extensively validated it on epilepsy patients with specific focus on language-related bundles. The validation procedure encompasses different approaches, including simple overlap with manual segmentations from two experts, feasibility ratings from external multiple clinical raters and relation with task-based functional MRI. Overall, our results demonstrate good quantitative agreement between automated and manual segmentation, in most cases better performances of the proposed method in qualitative terms, and meaningful relationships with task-based fMRI. In addition, we observed significant differences between experts in terms of both manual segmentation and external ratings. These results offer important insights on how different levels of validation complement each other, supporting the idea that overlap-based measures, although quantitative, do not offer a full perspective on the similarities and differences between automated and manual methods.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».