Ensemble learning for the detection of pli-de-passages in the superior temporal sulcus
Notice bibliographique
Résumé
The surface of the cerebral cortex is very convoluted, with a large number of folds, the cortical sulci. These folds are extremely variable from one individual to another, and this large variability is a problem for many applications in neuroscience and brain imaging. In particular, sulcal geometry (shape) and sulcal topology (branches, number of pieces) are very variable. "Plis de passages" (PPs) or "annectant gyri" can explain part of the topological variability, namely why sulci have a variable number of pieces across subjects. The concept of PPs was first introduced by Gratiolet (1854) to describe transverse gyri that interconnect both sides of a sulcus, that are frequently buried in the depth of sulci, and that are sometimes apparent on the cortical surface, hence seemingly interrupting the course of sulci and separating them in several pieces. Nevertheless, the difficulty of identifying PPs and the lack of systematic methods to automatically detect them has limited their use. However, based on a recent characterization of PPs in the superior temporal sulcus, we present here a method to automatically detect PPs in the superior temporal sulcus. Local morphology within the sulcus is characterized using cortical surface profiling, and the three-dimensional PP recognition problem is performed as a two-dimensional image classification problem with class-imbalance. This is solved by using an ensemble support vector machine model (EnsSVM) with a rebalancing strategy. Cross validation and quantitative experimental results on an external dataset show the effectiveness and robustness of our approach.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».