Evaluation of eight registration algorithms applied to the insula and insular gyri
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Spatial registration is crucial in establishing correspondence between anatomic brain regions for research and clinical purposes. The insular cortex (IC) and gyri (IG) are implicated in various functions and pathologies including epilepsy. Optimizing registration of the insula to a common atlas can improve the accuracy of group-level analyses. Here, we compared six nonlinear, one linear, and one semiautomated registration algorithms (RAs) for registering the IC and IG to the Montreal Neurologic Institute standard space (MNI152). METHODS: 3T images acquired from 20 controls and 20 temporal lobe epilepsy patients with mesial temporal sclerosis underwent automated segmentation of the insula. This was followed by manual segmentation of the entire IC and six individual IGs. Consensus segmentations were created at 75% agreement for IC and IG before undergoing registration to MNI152 space with eight RAs. Dice similarity coefficients (DSCs) were calculated between segmentations after registration and the IC and IG in MNI152 space. Statistical analysis involved the Kruskal-Wallace test with Dunn's test for IC and two-way analysis of variance with Tukey's honest significant difference test for IG. RESULTS: DSCs were significantly different between RAs. Based on multiple pairwise comparisons, we report that certain RAs performed better than others across population groups. Additionally, registration performance differed according to specific IG. CONCLUSION: We compared different methods for registering the IC and IG to MNI152 space. We found differences in performance between RAs, which suggests that algorithm choice is important factor in analyses involving the insula.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».