BISON: Brain tISue segmentatiON pipeline using T1-weighted magnetic resonance images and a random forests classifier
Notice bibliographique
Résumé
Abstract Introduction Accurate differentiation of brain tissue types from T1-weighted magnetic resonance images (MRIs) is a critical requirement in many neuroscience and clinical applications. Accurate automated tissue segmentation is challenging due to the variabilities in the tissue intensity profiles caused by differences in scanner models and acquisition protocols, in addition to the varying age of the subjects and potential presence of pathology. In this paper, we present BISON (Brain tISue segmentatiON), a new pipeline for tissue segmentation. Methods BISON performs tissue segmentation using a random forests classifier and a set of intensity and location priors obtained based on T1-weighted images. The proposed method has been developed and cross-validated based on multi-center and multi-scanner manual labels of 72 subjects aging from 5-96 years old, ensuring the generalizability of the results to new data from various age ranges. In addition, we assessed the test-retest reliability of BISON on 2 datasets; a. using 20 subjects that had scan/re-scan MRIs and manual segmentations available, and b. using a human phantom dataset including 90 scans from a single individual acquired across 10 years. Results The results of the proposed method were compared against Atropos, a commonly used tissue classification method from ANTs. The proposed method yielded cross-validation Dice Kappa values of κ GM = 0.88 ± 0.03, κ WM = 0.85 ± 0.03, κ CSF = 0.77 ± 0.11, outperforming ANTs Atropos (κ GM = 0.79 ± 0.05, κ WM = 0.84 ± 0.05, κ CSF = 0.64 ± 0.22) as well as test-retest Dice Kappa values of κ GM = 0.94 ± 0.006, κ WM = 0.92 ± 0.006, κ CSF = 0.77 ± 0.11 outperforming both manual (κ GM = 0.92 ± 0.01, κ WM = 0.91 ± 0.01, κ CSF = 0.74 ± 0.03) and ANTs Atropos (κ GM = 0.87 ± 0.001, κ WM = 0.92 ± 0.001, κ CSF = 0.79 ± 0.05). The human phantom dataset validations showed high generalizability for both Atropos (κ GM = 0.97 ± 0.01, κ WM = 0.96 ± 0.01, κ CSF = 0.93 ± 0.02) and BISON (κ GM = 0.95 ± 0.01, κ WM = 0.94 ± 0.01, κ CSF = 0.85 ± 0.03), while Atropos tended to consistently under-segment the cortical CSF. Finally, our assessment of BISON, Atropos, FAST from FSL, and SPM12 segmentations in presence of white matter hyperintensities (WMHs) showed that BISON outperforms the other three methods, correctly detecting WMHs as WM. Conclusion Our results show that BISON can provide accurate and robust segmentations in data from different age ranges and various scanner models, making it ideal for performing tissue classification in large multi-center and multi-scanner databases.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 0,001 |
| 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 ».