On the detectability and accuracy of computational measurements of enlarged perivascular spaces from magnetic resonance images
Notice bibliographique
Résumé
Abstract Magnetic Resonance Imaging (MRI) visible perivascular spaces (PVS) have been associated with age, decline in cognitive abilities, interrupted sleep, and markers of small vessel disease. Therefore, several computational methods have been developed for their assessment from brain MRI. But the limits of validity of these methods under various spatial resolutions, and the accuracy in detecting and measuring the dimensions of these structures have not been established. We use a digital reference object (DRO) previously developed for this purpose, to construct an in-silico phantom for answering these questions; and validate it using a physical phantom. Our in-silico and physical phantoms use cylinders of different sizes as models for PVS. Using both phantoms, we also evaluate the influence of the “PVS” orientation on the accuracy of the diameter measured, different sets of parameters for two vesselness filters that have been used for enhancing tubular structures, namely Frangi and RORPO filters, and the influence of the vesselness filter per-se in the accuracy of the measurements. Our experiments indicate that PVS measurements in MRI are only a proxy of their true dimensions, as the boundaries of their representation are consistently overestimated. The success in the use of the Frangi filter for this task relies on a careful tuning of several parameters. The combination of parameters α=0.5, β=0.5 and c=500 proved to yield the best results. RORPO, on the contrary, does not have these requirements, and allows detecting smaller cylinders in their entirety more consistently in the ideal scenarios tested. The segmentation of the cylinders using the Frangi filter seems to be best suited for voxel sizes equal or larger than 0.4 mm-isotropic and cylinders larger than 1 mm diameter and 2 mm length. “PVS” orientation did not influence their measures for image data with isotropic voxel size. Further evaluation of the emerging deep-learning methods is still required, and these results should be tested in “real” world data across several diseases.
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 | 0,004 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».