Improving Choroid Plexus Segmentation in the Healthy and Diseased Brain: Relevance for Tau-PET Imaging in Dementia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent studies have revealed the possible role of choroid plexus (ChP) in Alzheimer's disease (AD). T1-weighted MRI is the modality of choice for the segmentation of ChP in humans. Manual segmentation is considered the gold-standard technique, but given its time-consuming nature, large-scale neuroimaging studies of ChP would be impossible. In this study, we introduce a lightweight segmentation algorithm based on the Gaussian Mixture Model (GMM). We compared its performance against manual segmentation as well as automated segmentation by Freesurfer in three separate datasets: 1) patients with structural MRIs enhanced with contrast (n = 19), 2) young healthy subjects (n = 20), and 3) patients with AD (n = 20). GMM outperformed Freesurfer and showed high similarity with manual segmentation. To further assess the algorithm's performance in large scale studies, we performed GMM segmentations in young healthy subjects from the Human Connectome Project (n = 1,067), as well as healthy controls, mild cognitive impairment (MCI), and AD patients from the Alzheimer's Disease Neuroimaging Initiative (n = 509). In both datasets, GMM segmented ChP more accurately than Freesurfer. To show the clinical importance of accurate ChP segmentation, total AV1451 (tau) PET binding to ChP was measured in 108 MCI and 32 AD patients. GMM was able to reveal the higher AV1451 binding to ChP in AD compared with MCI. Our results provide evidence for the utility of the GMM in accurately segmenting ChP and show its clinical relevance in AD. Future structural and functional studies of ChP will benefit from GMM's accurate segmentation.
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.
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 | 0,001 |
| 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 découle