Assessment of perivascular space filtering methods using a three-dimensional computational model
Notice bibliographique
Résumé
Growing interest surrounds the assessment of perivascular spaces (PVS) on magnetic resonance imaging (MRI) and their validation as a clinical biomarker of adverse brain health. Nonetheless, the limits of validity of current state-of-the-art segmentation methods are still unclear. Here, we propose an open-source three-dimensional computational framework comprising 3D digital reference objects and evaluate the performance of three PVS filtering methods under various spatiotemporal imaging considerations (including sampling, motion artefacts, and Rician noise). Specifically, we study the performance of the Frangi, Jerman and RORPO filters in enhancing PVS-like structures to facilitate segmentation. Our findings were three-fold. First, as long as voxels are isotropic, RORPO outperforms the other two filters, regardless of imaging quality. Unlike the Frangi and Jerman filters, RORPO's performance does not deteriorate as PVS volume increases. Second, the performance of all "vesselness" filters is heavily influenced by imaging quality, with sampling and motion artefacts being the most damaging for these types of analyses. Third, none of the filters can distinguish PVS from other hyperintense structures (e.g. white matter hyperintensities, stroke lesions, or lacunes) effectively, the area under precision-recall curve dropped substantially (Frangi: from 94.21 [IQR 91.60, 96.16] to 43.76 [IQR 25.19, 63.38]; Jerman: from 94.51 [IQR 91.90, 95.37] to 58.00 [IQR 35.68, 64.87]; RORPO: from 98.72 [IQR 95.37, 98.96] to 71.87 [IQR 57.21, 76.63] without and with other hyperintense structures, respectively). The use of our computational model enables comparing segmentation methods and identifying their advantages and disadvantages, thereby providing means for testing and optimising pipelines for ongoing and future studies.
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 | 0,001 |
| 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 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 ».