Applying Unet for extraction of vascular metrics from T1-weighted and T2-weighted MRI
Notice bibliographique
Résumé
We apply deep learning to the problem of segmenting the arterial system from T1w and T2w images. We use the freely available 7-Tesla ‘forrest’ dataset from OpenNeuro, (which contains TOF, T1w, and T2w) and use supervised learning with T1w or T2w as input, and TOF segmentation as ground truth, to train a Unet architecture capable of segmenting arteries and quantifying arterial diameters from T1w or T2w images alone. We demonstrate arterial segmentations from both T1w and T2w images, and show that T2w images have sufficient vessel contrast to estimate arterial diameters comparable to those estimated from TOF. We then apply our Unet to T2w images from a separate dataset (IXI) and show our model generalizes to images acquired at different field strength. We consider this work proof-of-concept that arterial segmentations can be derived from MRI sequences with poor contrast between arteries and surrounding tissue (T1w and T2w), due to the ability of deep convolutional networks to extract complex features based on local image intensity. Future work will focus on improving the generalizability of the network to non-forrest datasets, with the eventual goal of leveraging the entire pre-existing corpus of neuroimaging data for study of human cerebrovasculature.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».