Perfusion MRI in automatic classification of multiple sclerosis lesion subtypes
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
Abstract This retrospective and exploratory study investigated the efficiency of the 3T perfusion magnetic resonance imaging (MRI) at the classification of MS lesion subtypes. For the MS lesion subtype classification, firstly, it was necessary to segment all MS lesions. Therefore, a Bayesian classifier based on the adaptive mixture method was used to segment all lesions, and an artificial neural network (ANN) employed a multi‐layer Perceptron as a subtype classifier. The Bayesian classifier accomplished the segmentation of lesions using Fluid Attenuated Inversion Recovery automatically, and the ANN part was used as a subtype classifier that worked based on extracted information from perfusion MRI (i.e. Mean Transit Time and Cerebral Blood Volume maps) along with the intensity information of the conventional multi‐channel MRI in segmented lesions. Adding 3‐Tesla perfusion MRI to the proposed model for the subtype classification led to an increment of about 7% and 13% in the sensitivity of acute and chronic lesion classifications, respectively. The sensitivity of T 2 lesions did not meaningfully change. The overall accuracy of the classification for acute, chronic, and T 2 lesion classifications was 96.1%, 90.5%, and 92.9%, respectively. The proposed architectures reached high sensitivity in discrimination between MS lesion subtypes when 3T perfusion MRIs were used.
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 | 0,001 |
| 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