Influence of threshold selection and image sequence in in-vivo segmentation of enlarged perivascular spaces
Notice bibliographique
Résumé
BACKGROUND: Growing interest surrounds perivascular spaces (PVS) as a clinical biomarker of brain dysfunction given their association with cerebrovascular risk factors and disease. Neuroimaging techniques allowing quick and reliable quantification are being developed, but, in practice, they require optimisation as their limits of validity are usually unspecified. NEW METHOD: We evaluate modifications and alternatives to a state-of-the-art (SOTA) PVS segmentation method that uses a vesselness filter to enhance PVS discrimination, followed by thresholding of its response, applied to brain magnetic resonance images (MRI) from patients with sporadic small vessel disease acquired at 3 T. RESULTS: The method is robust against inter-observer differences in threshold selection, but separate thresholds for each region of interest (i.e., basal ganglia, centrum semiovale, and midbrain) are required. Noise needs to be assessed prior to selecting these thresholds, as effect of noise and imaging artefacts can be mitigated with a careful optimisation of these thresholds. PVS segmentation from T1-weighted images alone, misses small PVS, therefore, underestimates PVS count, may overestimate individual PVS volume especially in the basal ganglia, and is susceptible to the inclusion of calcified vessels and mineral deposits. Visual analyses indicated the incomplete and fragmented detection of long and thin PVS as the primary cause of errors, with the Frangi filter coping better than the Jerman filter. COMPARISON WITH EXISTING METHODS: Limits of validity to a SOTA PVS segmentation method applied to 3 T MRI with confounding pathology are given. CONCLUSIONS: Evidence presented reinforces the STRIVE-2 recommendation of using T2-weighted images for PVS assessment wherever possible. The Frangi filter is recommended for PVS segmentation from MRI, offering robust output against variations in threshold selection and pathology presentation.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».