Optimizing automated white matter hyperintensity segmentation in individuals with stroke
Notice bibliographique
Résumé
White matter hyperintensities (WMHs) are a risk factor for stroke. Consequently, many individuals who suffer a stroke have comorbid WMHs. The impact of WMHs on stroke recovery is an active area of research. Automated WMH segmentation methods are often employed as they require minimal user input and reduce risk of rater bias; however, these automated methods have not been specifically validated for use in individuals with stroke. Here, we present methodological validation of automated WMH segmentation methods in individuals with stroke. We first optimized parameters for FSL's publicly available WMH segmentation software BIANCA in two independent (multi-site) datasets. Our optimized BIANCA protocol achieved good performance within each independent dataset, when the BIANCA model was trained and tested in the same dataset or trained on mixed-sample data. BIANCA segmentation failed when generalizing a trained model to a new testing dataset. We therefore contrasted BIANCA's performance with SAMSEG, an unsupervised WMH segmentation tool available through FreeSurfer. SAMSEG does not require prior WMH masks for model training and was more robust to handling multi-site data. However, SAMSEG performance was slightly lower than BIANCA when data from a single site were tested. This manuscript will serve as a guide for the development and utilization of WMH analysis pipelines for individuals with stroke.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».