Longitudinal Automatic Segmentation of Hippocampal Subfields (LASHiS) using multi-contrast MRI
Notice bibliographique
Résumé
The volumetric and morphometric examination of hippocampus formation subfields in a longitudinal manner using in vivo MRI could lead to more sensitive biomarkers for neuropsychiatric disorders and diseases including Alzheimer's disease, as the anatomical subregions are functionally specialised. Longitudinal processing allows for increased sensitivity due to reduced confounds of inter-subject variability and higher effect-sensitivity than cross-sectional designs. We examined the performance of a new longitudinal pipeline (Longitudinal Automatic Segmentation of Hippocampus Subfields [LASHiS]) against three freely available, published approaches. LASHiS automatically segments hippocampus formation subfields by propagating labels from cross-sectionally labelled time point scans using joint-label fusion to a non-linearly realigned 'single subject template', where image segmentation occurs free of bias to any individual time point. Our pipeline measures tissue characteristics available in in vivo high-resolution MRI scans, at both clinical (3 T) and ultra-high field strength (7 T) and differs from previous longitudinal segmentation pipelines in that it leverages multi-contrast information in the segmentation process. LASHiS produces robust and reliable automatic multi-contrast segmentations of hippocampus formation subfields, as measured by higher volume similarity coefficients and Dice coefficients for test-retest reliability and robust longitudinal Bayesian Linear Mixed Effects results at 7 T, while showing sound results at 3 T. All code for this project including the automatic pipeline is available at https://github.com/CAIsr/LASHiS.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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) | 0,005 | 0,002 |
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 ».