Segmenting white matter hyperintensities in brain magnetic resonance images using convolution neural networks
Notice bibliographique
Résumé
White matter hyperintensities (WMHs) are found on magnetic resonance (MR) images of older individuals and are associated with many neurodegenerative disorders, although the exactrole of WMHs in Alzheimer’s disease and other dementias remains an open area of research. Fluid-attenuated inversion recovery (FLAIR) MR imaging sequences show WMHs with good image contrast. Manual segmentation of WMHs on FLAIR images is the widely accepted “gold standard”, however, this step is often time-consuming and has a high inter-rater variability. The absence of an automated, robust and accurate approach to segment WMHs remains a processing bottleneck. We explored convolutional neural networks (CNNs) for performing semantic segmentation of WMHs in FLAIR images. Two sets of experiments were conducted: (1) Variations of U-shaped CNNs (U-Nets) were evaluated in 186 individuals, specifically, four architectures (VGG16, VGG19, ResNet152 and EfficientNetB0) having three dimensionalities (2D, 2.5D and 3D). (2) New data from 60 individuals were added to test the generalizability of U-Net, LinkNet and Feature-Pyramid Network (FPN) variants. The first experiment showed that the 2.5D implementation with VGG16 or VGG19 was the most suitable configuration when segmenting WMH (F-measure > 95% and intersection-over-union > 90%). The second experiment confirmed generalizability of these variants when using unprocessed FLAIR images.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».