Development of a semi-automatic segmentation technique based on mean magnetic resonance imaging intensity thresholding for volumetric quantification of plexiform neurofibromas
Notice bibliographique
Résumé
Rationale and objectives Plexiform neurofibromas (PNs) are peripheral nerve tumors that occur in 25–50 % of patients with neurofibromatosis type 1. PNs may have complex, diffused, and irregular shapes. The objective of this work was to develop a volumetric quantification method for PNs as clinical assessment is currently based on unidimensional measurement. Materials and methods A semi-automatic segmentation technique based on mean magnetic resonance imaging (MRI) intensity thresholding (SSTMean) was developed and compared to a similar and previously published technique based on minimum image intensity thresholding (SSTMini). The performance (volume and computation time) of the two techniques was compared to manual tracings of 15 tumors of different locations, shapes, and sizes. Performance was also assessed using different MRI sequences. Reproducibility was assessed by inter-observer analysis. Results When compared to manual tracing, quantification performed with SSTMean was not significantly different (mean difference: 1.2 %), while volumes computed by SSTMini were significantly different (p < .0001, mean difference: 13.4 %). Volumes quantified by SSTMean were also significantly different than the ones assessed by SSTMini (p < .0001). Using SSTMean, volumes quantified with short TI inversion recovery (STIR), T1-, and T2-weighted imaging were not significantly different. Computation times used by SSTMean and SSTMini were significantly lower than for manual segmentation (p < .0001). The highest difference measured by two users was 8 cm 3 . Conclusion Our method showed accuracy compared to a current gold standard (manual tracing) and reproducibility between users. The refined segmentation threshold and the possibility to define multiple regions-of-interest to initiate segmentation may have contributed to its performance. The versatility and speed of our method may prove useful to better monitor volumetric changes in lesions of patients enrolled in clinical trials to assessing response to therapy.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».