MétaCan
Menu
Retour à la cohorte
Enregistrement W3006404851 · doi:10.1038/s41597-020-0379-9

High-resolution T2-FLAIR and non-contrast CT brain atlas of the elderly

2020· article· en· W3006404851 sur OpenAlexafffund
Deepthi Rajashekar, Matthias Wilms, M. Ethan MacDonald, Jan Ehrhardt, Pauline Mouchès, Richard Frayne, Michael D. Hill, Nils D. Forkert

Notice bibliographique

RevueScientific Data · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueMedical Image Segmentation Techniques
Établissements canadiensFoothills Medical CentreUniversity of Calgary
Organismes subventionnairesCanadian Open Neuroscience PlatformUniversity of CalgaryCanada Research ChairsHeart and Stroke Foundation of Canada
Mots-clésFluid-attenuated inversion recoverySpatial normalizationNeuroimagingContrast (vision)Computer scienceModalitiesNormalization (sociology)Artificial intelligenceModality (human–computer interaction)VoxelBrain atlasBrain mappingPattern recognition (psychology)MedicineNeuroscienceMagnetic resonance imagingRadiologyPsychology

Résumé

récupéré en direct d'OpenAlex

Normative brain atlases are a standard tool for neuroscience research and are, for example, used for spatial normalization of image datasets prior to voxel-based analyses of brain morphology and function. Although many different atlases are publicly available, they are usually biased with respect to an imaging modality and the age distribution. Both effects are well known to negatively impact the accuracy and reliability of the spatial normalization process using non-linear image registration methods. An important and very active neuroscience area that lacks appropriate atlases is lesion-related research in elderly populations (e.g. stroke, multiple sclerosis) for which FLAIR MRI and non-contrast CT are often the clinical imaging modalities of choice. To overcome the lack of atlases for these tasks and modalities, this paper presents high-resolution, age-specific FLAIR and non-contrast CT atlases of the elderly generated using clinical images.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,796
Score d'incertitude au seuil0,523

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0030,002
Intégrité de la recherche0,0000,000
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 Opus0,031
Tête enseignante GPT0,273
Écart entre enseignants0,242 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

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

En bref

Citations33
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific DataMême sujetMedical Image Segmentation TechniquesTravaux en français237 207