Detectability and accuracy of computational measurements of in-silico and physical representations of enlarged perivascular spaces from magnetic resonance images
Notice bibliographique
Résumé
BACKGROUND: 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. But the limits of validity of their quantification have not been established. NEW METHOD: We use a purpose-built digital reference object to construct an in-silico phantom for addressing this need, and validate it using a physical phantom. We use cylinders of different sizes as models for PVS. We also evaluate the influence of 'PVS' orientation, and different sets of parameters of the two vesselness filters that have been used for enhancing tubular structures, namely Frangi and RORPO filters, in the measurements' accuracy. RESULTS: 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 relies on a careful tuning of several parameters. Alpha= 0.5, beta= 0.5 and c= 500 yielded the best results. RORPO does not have these requirements and allows detecting smaller cylinders in their entirety more consistently in the absence of noise and confounding artefacts. 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 affect measurements in data with isotropic voxels. COMPARISON WITH EXISTENT METHODS: Does not apply. CONCLUSIONS: The in-silico and physical phantoms presented are useful for establishing the validity of quantification methods of tubular small structures.
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 | 0,008 |
| 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 | 0,001 |
| 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 ».