Do we really need to normalize Hippocampal volume?
Notice bibliographique
Résumé
Abstract Background Hippocampal volume (HCvol) is an important biomarker in the study of neurodegeneration (1‐3). A drawback of HCvol as a clinical biomarker is its high variability across the population (4). While the common approach to account for this variability is to normalize for head‐size variability using the intracranial volume (ICV) (5), other approaches use the idea of ex‐vacuo dilation, considering the expansion of the surrounding ventricle (6,7). Method With a library of 80 manually segmented hippocampi and surrounding temporal horns of the lateral ventricles from healthy subjects we trained three automatic segmentation methods: multi‐atlas label fusion (MALF) (8), non‐local patch‐based segmentation (NLPB, aka SNIPE) (9) and a Convolutional Neural Network (CNN) with a U‐Net architecture (10) and compared their performance (Cohen’s Kappa). We obtained the raw and normalized Hippocampal volumes (HCvol/ICV) as well as the Hippocampal‐to‐Ventricle Ratio (HVR = HCvol/(HCvol+CSFvol)) (7) on the baseline T1w MRI scans from the ADNI dataset for each segmentation method. We used these measures to calculate the robust effect sizes (Cohen’s d) and their confidence intervals (bootstrap: 5,000 resamples) between cognitively normal (CN), mild cognitive impaired (MCI) and subjects with dementia (AD) from ADNI‐1, 2, 3 and Go. Result After acquisition QC (CN = 502, MCI = 815, AD = 324), Table 1 shows the number of successful HC and CSF segmentations for each method. The CNN U‐Net had the least number of failed segmentations. The CNN U‐Net also obtained the highest performance. While NLPB had similar Kappa values to MALF, it had less variability (Fig 1). On Fig 2, we show the calculated effect sizes between Diagnoses, HC measures and segmentation methods. HVR yields a greater effect size than HCvol and HCvol/ICV to separate AD from CN or MCI when using MALF. With NLPB, HVR and HCvol are better than HCvol/ICV. Finally, with the CNN U‐NET, the three metrics perform similarly. Conclusion The CNN U‐Net provides improved segmentations over both MALF and NLPB. Such better‐quality segmentations reduce the need for normalization. However, HVR might be better suited than ICV normalized values when working with limited quality segmentations.
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 | 0,015 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».