Automatic quantification of perivascular spaces in T2-weighted images at 7 T MRI
Notice bibliographique
Résumé
Perivascular spaces (PVS) are believed to be involved in brain waste disposal. PVS are associated with cerebral small vessel disease. At higher field strengths more PVS can be observed, challenging manual assessment. We developed a method to automatically detect and quantify PVS. A machine learning approach identified PVS in an automatically positioned ROI in the centrum semiovale (CSO), based on -resolution T2-weighted TSE scans. Next, 3D PVS tracking was performed in 50 subjects (mean age 62.9 years (range 27-78), 19 male), and quantitative measures were extracted. Maps of PVS density, length, and tortuosity were created. Manual PVS annotations were available to train and validate the automatic method. Good correlation was found between the automatic and manual PVS count: ICC (absolute/consistency) is 0.64/0.75, and Dice similarity coefficient (DSC) is 0.61. The automatic method counts fewer PVS than the manual count, because it ignores the smallest PVS (length <2 mm). For 20 subjects manual PVS annotations of a second observer were available. Compared with the correlation between the automatic and manual PVS, higher inter-observer ICC was observed (0.85/0.88), but DSC was lower (0.49 in 4 persons). Longer PVS are observed posterior in the CSO compared with anterior in the CSO. Higher PVS tortuosity are observed in the center of the CSO compared with the periphery of the CSO. Our fully automatic method can detect PVS in a 2D slab in the CSO, and extract quantitative PVS parameters by performing 3D tracking. This method enables automated quantitative analysis of PVS.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,003 | 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 ».