Anatomically curated segmentation of human subcortical structures in high resolution magnetic resonance imaging: An open science approach
Notice bibliographique
Résumé
Magnetic resonance imaging (MRI)-based brain segmentation has recently been revolutionized by deep learning methods. These methods use large numbers of annotated segmentations to train algorithms that have the potential to perform brain segmentations reliably and quickly. However, training data for these algorithms are frequently obtained from automated brain segmentation systems, which may contain inaccurate neuroanatomy. Thus, the neuroimaging community would benefit from an open source database of high quality, neuroanatomically curated and manually edited MRI brain images, as well as the publicly available tools and detailed procedures for generating these curated data. Manual segmentation approaches are regarded as the gold standard for brain segmentation and parcellation. These approaches underpin the construction of neuroanatomically accurate human brain atlases. In addition, neuroanatomically precise definitions of MRI-based regions of interest (ROIs) derived from manual brain segmentation are essential for accuracy in structural connectivity studies and in surgical planning for procedures such as deep brain stimulation. However, manual segmentation procedures are time and labor intensive, and not practical in studies utilizing very large datasets, large cohorts, or multimodal imaging. Automated segmentation methods were developed to overcome these issues, and provide high data throughput, increased reliability, and multimodal imaging capability. These methods utilize manually labeled brain atlases to automatically parcellate the brain into different ROIs, but do not have the anatomical accuracy of skilled manual segmentation approaches. In the present study, we developed a custom software module for manual editing of brain structures in the freely available 3D Slicer software platform that employs principles and tools based on pioneering work from the Center for Morphometric Analysis (CMA) at Massachusetts General Hospital. We used these novel 3D Slicer segmentation tools and techniques in conjunction with well-established neuroanatomical definitions of subcortical brain structures to manually segment 50 high resolution T1w MRI brains from the Human Connectome Project (HCP) Young Adult database. The structural definitions used herein are associated with specific neuroanatomical ontologies to systematically interrelate histological and MRI-based morphometric definitions. The resulting brain datasets are publicly available and will provide the basis for a larger database of anatomically curated brains as an open science resource.
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 | 0,008 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,005 |
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 ».