P.167 Application of the Anatomical Fiducials Framework to a Clinical Dataset of Patients with Parkinson’s Disease
Notice bibliographique
Résumé
Background: Establishing spatial correspondence between subject and template images is necessary in neuroimaging research and clinical applications. A point-based set of anatomical fiducials (AFIDs) was recently developed and validated to provide quantitative measures of image registration. We applied the AFIDs protocol to magnetic resonance images (MRIs) obtained from patients with Parkinson’s Disease (PD). Methods: Two expert and three novice raters placed AFIDs on MRIs of 39 PD patients. Localization and registration errors were calculated. To investigate for unique morphometric features, pairwise distances between AFIDs were calculated and compared to 30 controls who previously had AFIDs placed. Wilcoxon rank-sum tests with Bonferroni corrections were used. Results: 6240 AFIDs were placed with a mean localization error (±SD) of 1.57mm±1.16mm and mean registration error of 3.34mm±1.94mm. Out of the 496 pairwise distances, 40 were statistically significant (p<0.05/496). PD patients had a decreased pairwise distance between the left temporal horn, brainstem and pineal gland. Conclusions: AFIDs can be successfully applied with millimetric accuracy in a clinical setting and utilized to provide localized and quantitative measures of registration error. AFIDs provide clinicians and researchers with a common, open framework for quality control and validation of spatial correspondence, facilitating accurate aggregation of imaging datasets and comparisons between various neurological conditions.
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 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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».