Characterization of an automated method to segment the human locus coeruleus
Notice bibliographique
Résumé
Following the development of magnetic resonance imaging (MRI) methods to assay the integrity of catecholamine nuclei, including the locus coeruleus (LC), there has been an effort to develop automated methods that can accurately segment this small structure in an automated manner to promote its widespread use and overcome limitations of manual segmentation. Here we characterize an automated LC segmentation approach (referred to as the funnel-tip [FT] method) in healthy individuals and individuals with LC degeneration in the context of Alzheimer's disease (AD, confirmed with tau-PET imaging using [18F]MK6240). The first sample included n = 190 individuals across the AD spectrum from cognitively normal to moderate AD. LC signal assayed with FT segmentation showed excellent agreement with manual segmentation (intraclass correlation coefficient [ICC] = 0.91). Compared to other methods, the FT method showed numerically higher correlation to AD status (defined by presence of tau: Cohen's d = 0.64) and AD severity (Braak stage: Pearson R = -.35, cognitive function: R = .25). In a separate sample of n = 12 control participants, the FT method showed excellent scan-rescan reliability (ICC = 0.82). In another sample of n = 30 control participants, we found that the structure of the LC defined by FT segmentation approximated its expected shape as a contiguous line: <5% of LC voxels strayed >1 voxel (0.69 mm) from this line. The FT LC segmentation shows high agreement with manual segmentation and captures LC degeneration in AD. This practical method may facilitate larger research studies of the human LC-norepinephrine system and has potential to support future use of neuromelanin-sensitive MRI as a clinical biomarker.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».