MétaCan
Menu
Retour à la cohorte
Enregistrement W2969964521 · doi:10.1002/jmri.26904

Reliability of 3D texture analysis: A multicenter MRI study of the brain

2019· article· en· W2969964521 sur OpenAlexafffundabout
Daniel Ta, Muhammad Haris Khan, Abdullah Ishaque, Peter Seres, Dean T. Eurich, Yee‐Hong Yang, Sanjay Kalra

Notice bibliographique

RevueJournal of Magnetic Resonance Imaging · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensWomen and Children’s Health Research InstituteUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsFondation Brain CanadaALS Society of Canada
Mots-clésIntraclass correlationReliability (semiconductor)NeuroimagingVoxelNuclear medicineComputer sciencePsychologyReproducibilityMedicineArtificial intelligenceMathematicsStatisticsNeurosciencePhysics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Texture analysis (TA) is an image-analysis technique that detects complex intervoxel statistical patterns. 3D TA has shown potential in detecting cerebral degeneration not perceptible to the human eye in many neurological disorders. The reliability of this method's application in a multicenter study is unknown. PURPOSE: To assess the intrasite and intersite reliability of a novel 3D TA method from data acquired systematically from the Canadian ALS Neuroimaging Consortium (CALSNIC). STUDY TYPE: Prospective multicenter data with harmonized MR sequence parameters acquired from five sites. POPULATION: Six healthy subjects. FIELD STRENGTH: -weighted MRI of the brain. ASSESSMENT: Voxel-based 3D TA was performed on the whole brain to produce texture maps. STATISTICAL TESTS: Intra- and intersite reliability of texture features was assessed using a two-way mixed-effects model for intraclass correlation coefficients (ICC). ICCs were calculated in a region-of-interest (ROI) analysis of predetermined anatomically relevant areas. A voxelwise approach was used to assess the whole brain. RESULTS: In the ROI analyses, intrasite reliability was excellent (ICC > 0.75) across most regions and texture features (autocorrelation [autoc], contrast [contr], energy [energ]). Intersite reliability was excellent for most regions with autoc, ranging from fair to excellent for contr, and ICCs ranging from poor to good (<0.40-0.75) for energ. Voxelwise analyses revealed a large range in ICC across the brain for both intrasite and intersite ICCs (0.0-0.90), with higher reliability in the cortical gray matter compared with deeper subcortical structures. DATA CONCLUSION: Overall, the reliability of 3D TA was highly dependent on texture feature, region studied, and method of analysis (ROI or voxelwise). Intrasite reproducibility was good to excellent, and better than intersite. ROI-based analyses present higher reliability in comparison with voxelwise analyses. Autoc has overall excellent reliability. These factors might be considered when designing future 3D TA studies. LEVEL OF EVIDENCE: 2 Technical Efficacy: Stage 1 J. Magn. Reson. Imaging 2020;51:1200-1209.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,326

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,272
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Magnetic Resonance ImagingMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207