Brain Extraction in Multiple T1-weighted Magnetic Resonance Imaging slices using Digital Image Processing techniques
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
Brain Imaging has been source of several studies in the literature, mostly due to its importanceboth to predict and to analyze certain diseases or conditions. Extracting the brain from patient images for medical analysis can provide useful diagnostic and prognostic information.To this end, digital image processing algorithms have been applied to medical tasks with a focus on the identification of the brain. This work proposes a brain extraction framework based on three major steps: 1) Dataset and Image Selection; 2) Preprocessing; and 3) Largest Connected Component extraction. Our data are obtained from the OASIS dataset.The preprocessing step is applied in order to enhance contrast and eliminate possible noise from the T1-weighted MRI. Largest Connected Component extraction is performed by initially detecting the largest element in the image (i.e. the brain gray matter) and then by extracting it through mathematical morphology operators. The unsupervised framework extracts the brain in different axial slices without adjustments. The main contribution of this work is a method using only digital image processing for automatically identifying the brain from several different slices, which differs from the literature since is performed without parameter resetting. Five metrics were applied to evaluate our results: Specificity, Recall, Accuracy, F-Measure, and Precision. In our first experiment, two metrics resulted in more than 90% in efficiency (Specificity and Precision), two of them surpassed 80% (F-Measure and Accuracy), and Sensitivity exceeded 70%. Our second experiment compares our results with those produced by related works, having been ranked in the top positions of Sensitivity and Specificity.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découle