Deep learning segmentation of orbital fat to calibrate conventional MRI for longitudinal studies
Notice bibliographique
Résumé
In conventional non-quantitative magnetic resonance imaging, image contrast is consistent within images, but absolute intensity can vary arbitrarily between scans. For quantitative analysis of intensity data, images are typically normalized to a consistent reference. The most convenient reference is a tissue that is always present in the image, and is unlikely to be affected by pathological processes. In multiple sclerosis neuroimaging, both the white and gray matter are affected, so normalization techniques that depend on brain tissue may introduce bias or remove biological changes of interest. We introduce a complementary procedure, image “calibration,” the goal of which is to remove technical intensity artifacts while preserving biological differences. We demonstrate a deep learning approach to segmenting fat from within the orbit of the eyes on T1-weighted images at 1.5 and 3 T to use as a reference tissue, and use it to calibrate 1018 scans from 256 participants in a study of pediatric-onset multiple sclerosis. The machine segmentations agreed with the adjudicating expert (DF) segmentations better than did those of other expert humans, and calibration resulted in better agreement with semi-quantitative magnetization transfer ratio imaging than did normalization with the WhiteStripe1 algorithm. We suggest that our method addresses two key priorities in the field: (1) it provides a robust option for serial calibration of conventional scans, allowing comparison of disease change in persons imaged at multiple time points in their disease; and (ii) the technique is fast, as the deep learning segmentation takes only 0.5 s/scan, which is feasible for both large and small datasets.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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 | 0,001 |
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 ».