BISON: Brain tissue segmentation pipeline using T <sub>1</sub> ‐weighted magnetic resonance images and a random forest classifier
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
Purpose Tissue segmentation from T 1 ‐weighted (T1W) MRI is a critical requirement in many neuroscience and clinical applications. However, accurate tissue segmentation is challenging because of the variabilities in tissue intensity profiles caused by differences in scanner models, acquisition protocols, and age. In addition, many methods assume healthy anatomy and fail in the presence of pathology such as white matter hyperintensities (WMHs). We present BISON (Brain tISsue segmentatiON), a new pipeline for tissue segmentation using a random forest classifier and a set of intensity and location priors based on T1W MRI. Methods BISON was developed and cross‐validated using multiscanner manual labels of 72 subjects aged 5 to 96 years. We also assessed the test–retest reliability of BISON on two data sets: 20 subjects with scan/rescan MR images and manual segmentations and 90 scans from a single individual. The results were compared against Atropos, a state‐of‐the‐art commonly used tissue classification method from advanced normalization tools (ANTs). Results BISON cross‐validation dice kappa values against manual segmentations of 72 MRI volumes yielded κ GM = 0.88, κ WM = 0.85, κ CSF = 0.77, outperforming Atropos (κ GM = 0.79, κ WM = 0.84, κ CSF = 0.64), test–retest values on 20 subjects of κ GM = 0.94, κ WM = 0.92, κ CSF = 0.77 outperforming both manual (κ GM = 0.92, κ WM = 0.91, κ CSF =0.74) and Atropos (κ GM = 0.87, κ WM = 0.92, κ CSF = 0.79). Finally, BISON outperformed Atropos, FAST (fast automated segmentation tool) from the FMRIB (Functional Magnetic Resonance Imaging of the Brain) Software Library, and SPM12 (statistical parametric mapping 12) in the presence of WMHs. Conclusion BISON can provide accurate and robust segmentations in data from various age ranges and scanner models, making it ideal for performing tissue classification in large multicenter and multiscanner databases.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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