Perfusion MRI in automatic classification of multiple sclerosis lesion subtypes
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.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».