IC‐P‐139: Accurate automatic segmentation of white matter hyperintensities using a linear regression classifier
Notice bibliographique
Résumé
White matter hyperintensities (WMHs) occur in healthy elderly persons as well as patients with Alzheimer's dementia (AD), vascular dementia, and multiple sclerosis. Manual segmentation of WMHs is expensive, time consuming, and vulnerable to inter-rater and test-retest variability. We propose an automated method for segmentation of WMHs from MRI of elderly subjects. Forty adults aged 55 years or older from the PREVENT-AD study had T1-w, T2*, and FLAIR scans. The union of manual WMH labels from two raters were used as “gold standard” for training and validation. All scans were pre-processed using our standard pipeline: image intensity non-uniformity correction, intensity range normalization (0-100), co-registration of T2* and FLAIR to T1-w, and stereotaxic registration of T1-w. The three modalities were then non-linearly warped to an AD template obtained from the ADNI dataset. 17 features served as inputs to the classifier: three MRI intensities (T1-w, T2*, and FLAIR), spatial probability map, intensity distribution probabilities for healthy and WMH tissues (PWM,PWMH) as well as the ratio PWM/PWMH for each modality, and the average intensity of healthy tissue at each voxel for each modality. WMHs were segmented using a linear regression classifier with thresholding yielding low variance, high accuracy and low computation time. Performance was evaluated with 10-fold cross-validation, using Dice Kappa similarity, sensitivity, and specificity to compare automated and manual labels. The mean Dice Kappa, sensitivity, and specificity between automated and manual labels were 0.46, 0.55, and 0.999, respectively. For further validation, total WMH loads were correlated with Fazekas scores of 30 subjects (r=0.80, p=6.44e-7 for periventricular and r=0.55, p=2.8e-3 for deep WMHs) as well as age for the total population (r=0.43, p=1.52e-6). Figures 1.a., 1.b. and 1.c. show the FLAIR images, and automated and manual labels for a subject. Figures 1.d. and 1.e. show Kappa and sensitivity/specificity versus threshold.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,006 |
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 ».