Development of machine learning schemes for segmentation, characterisation, and evolution prediction of white matter hyperintensities in structural brain MRI
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
White matter hyperintensities (WMH) are neuroradiological features seen in T2 Fluid-Attenuated Inversion Recovery (T2-FLAIR) brain magnetic resonance imaging (MRI) and have been commonly associated with stroke, ageing, dementia, and Alzheimer’s disease (AD) progression. As a marker of neuro-degenerative disease, WMH may change over time and follow the clinical condition of the patient. In contrast to the early longitudinal studies of WMH, recent studies have suggested that the progression of WMH may be a dynamic, non-linear process where different clusters of WMH may shrink, stay unchanged, or grow. In this thesis, these changes are referred to as the “evolution of WMH”. The main objective of this thesis is to develop machine learning methods for prediction of WMH evolution in structural brain MRI from one-time (baseline) assessment. Predicting the evolution of WMH is challenging because the rate and direction of WMH evolution varies greatly across previous studies. Furthermore, the evolution of WMH is a non-deterministic problem because some clinical factors that possibly influence it are still not known. In this thesis, different learning schemes of deep learning algorithm and data modalities are proposed to produce the best estimation of WMH evolution. Furthermore, a scheme to simulate the non-deterministic nature of WMH evolution, named auxiliary input, was also proposed. In addition to the development of prediction model for WMH evolution, machine learning methods for segmentation of early WMH, characterisation of WMH, and simulation of WMH progression and regression are also developed as parts of this thesis.
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 | 0,000 |
| 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 | 0,000 |
| 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