Problems using structural MRIs from the oldest‐old, and some solutions: Lessons learned from The 90+ Study and ADNI
Notice bibliographique
Résumé
Abstract Background The oldest‐old (≥85 years) have the highest rates of dementia. However, because of pronounced brain atrophy, standard neuroimaging programs face unique challenges in this cohort. Here, using data from both The 90+ Study and Alzheimer’s Disease Neuroimaging Initiative (ADNI), we report the prevalence of errors when processing brain MRIs from oldest‐old participants using standard approaches and present some strategies for ameliorating these issues. Method First, we analyzed image quality issues and segmentation errors (FreeSurfer) for the last available scans by age‐groups (oldest‐old, ≥85 years, vs younger‐old, <85 years) in ADNI. Second, we evaluated the utility of an age‐specific template (the 90+ T1w Template) for realigning MRIs from the oldest‐old compared to a standard template (Montreal Neurological Institute T1w template, MNI) using linear and nonlinear registration (FSL) and evaluating alignment quality using visual and deformation (Jacobian) measures for oldest‐old participants in both The 90+ Study and ADNI. Lastly, we evaluated whether stringent preprocessing (bias field removal, denoising, brain extraction, intensity normalization using Computational Anatomy Toolbox (CAT12)) helped reduce FreeSurfer segmentation errors in frontal, parietal, and temporal regions in MRIs from the oldest‐old. Comparisons were performed using Chi‐square tests. Result In ADNI data (Table‐1), MRIs from oldest‐old participants (∼10% of cohort) were around twice as likely to have image quality issues (20% vs 13%, P<0.001) and brain segmentation errors (45% vs 29%, P<0.001) compared to younger‐old participants. Figure‐1 shows a histogram of image quality issues and segmentation errors, which become more common with greater age. Compared to the MNI template, MRIs from participants aged 90 and older from both The 90+ Study (N=163, Table‐2) and ADNI (N=75) had fewer registration errors (∼5% vs ∼23%, P<0.001 for all) and less severe deformation when using the 90+ T1w Template (Figure‐2). Our proposed preprocessing pipeline (see Figure‐3 for example) roughly halved segmentation errors in the oldest‐old (P<0.001 for all regions, Figure‐4). Conclusion Our results show that adapting pipelines specifically for processing brain MRIs of oldest‐old participants minimizes errors, enabling more effective use of neuroimaging to study neural correlates of neurodegeneration and dementia in this important portion of our aging population.
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 | 0,079 | 0,152 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».