Segmenting White Matter Hyperintensity in Alzheimer’s Disease using U-Net CNNs
Notice bibliographique
Résumé
White-matter hyperintensity (WMH) is associated with many disorders where it is suggestive of underlying cerebrovascular, small-vessel disease pathology. However, its role in Alzheimer’s disease (AD), mixed, and vascular dementia remains an open area of research. The fluid-attenuated inversion recovery (FLAIR) magnetic resonance (MR) imaging sequence is commonly used to visualize WMH because it provides good image contrast, not only between WMH and normal tissue, but also between WMH and cerebrospinal fluid. Manual segmentation of WMH lesions in brain volumes, on a slice-by-slice basis, is time-consuming with high inter-rater variability, however, this process remains the broadly accepted gold standard. In this study, variations of 2D, 2.5D and 3DU-shaped convolutional neural networks (U-Net CNNs) were used to perform semantic segmentation on FLAIR images. We evaluated these models in brain volumes obtained from 186 individuals from one of three disease classes: healthy normal (N = 94), mild cognitive impairment (N = 55), and AD (N = 37). Four common architectures (VGG16, VGG19, ResNet and EfficientNetBO) were employed as feature extractors. Results were assessed across the whole brain and by brain region (frontal, occipital, parietal, temporal lobes plus the insula) to identify differences in performance. In general, the predicted WMH volumes had an F-measure score >95% on the test data compared to manual segmentation. This work identified that 2. 5D with either VGG16 or VGG19 was the most suitable configuration when segmenting WMH. WMH segmentation performance and measured volume was found to vary between regions and disease classes. U-Net CNN architectures have good performance and may provide valuable insights about the white matter pathology.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 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 | 0,001 |
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 ».