Automatic segmentation of white matter hyperintensities in T2-FLAIR with AQUA: A comparative validation study against conventional methods
Notice bibliographique
Résumé
White matter hyperintensities (WMHs) are lesions in the white matter of the brain that are associated with cognitive decline and an increased risk of dementia. The manual segmentation of WMHs is highly time-consuming and prone to intra- and inter-variability. Therefore, automatic segmentation approaches are gaining attention as a more efficient and objective means to detect and monitor WMHs. In this study, we propose AQUA, a deep learning model designed for fully automatic segmentation of WMHs from T2-FLAIR scans, which improves upon our previous study for small lesion detection and incorporating a multicenter approach. AQUA implements a two-dimensional U-Net architecture and uses patch-based training. Additionally, the network was modified to include Bottleneck Attention Module on each convolutional block of both the encoder and decoder to enhance performance for small-sized WMH. We evaluated the performance and robustness of AQUA by comparing it with five well-known supervised and unsupervised methods for automatic segmentation of WMHs (LGA, LPA, SLS, UBO, and BIANCA). To accomplish this, we tested these six methods on the MICCAI 2017 WMH Segmentation Challenge dataset, which contains MRI images from 170 elderly participants with WMHs of presumed vascular origin, and assessed their robustness across multiple sites and scanner types. The results showed that AQUA achieved superior performance in terms of spatial (Dice = 0.72) and volumetric (logAVD = 0.10) agreement with the manual segmentation compared to the other methods. While the recall and F1-score were moderate at 0.49 and 0.59, respectively, they improved to 0.75 and 0.82 when excluding small lesions (≤ 6 voxels). Remarkably, despite being trained on a different dataset with different ethnic backgrounds, lesion loads, and scanners, AQUA's results were comparable to the top 10 ranked methods of the MICCAI challenge. The findings suggest that AQUA is effective and practical for automatic segmentation of WMHs from T2-FLAIR scans, which could help identify individuals at risk of cognitive decline and dementia and allow for early intervention and management.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».