Comparative Skull Stripping Techniques on Pediatric Magnetic Resonance Imaging
Notice bibliographique
Résumé
Skull stripping (SS) is a well-known preprocessing step commonly adopted in Magnetic Resonance (MR) scans to eliminate non-brain tissues. While it is well-established for mid-adults, there is limited experimentation with the pediatric population. The continuous development of the pediatric brain presents challenges for existing SS techniques. This paper aims to compare different SS techniques for a pediatric population quantitatively and qualitatively. Due to the absence of manual brain segmentation (ground truth), the quantitative analysis focuses on pairwise Dice Similarity Coefficient (DSC) comparisons of SS techniques, while qualitative analysis was performed by visual inspection. The work also intends to detect potential outliers by thresholding DSC and visualizing SS results. We performed experiments with five techniques, Freesurfer (FS) versions 6.0.0, 7.1.1, 7.4.1, FSL-BET, and SynthStrip, using 279 T1-weighted MR scans from pediatric subjects. We observed the highest agreement between FSL-BET and SynthStrip, confirmed by the visual inspection. The different FS versions showed inconsistent and poor agreement with other techniques. Furthermore, we noticed complementary information for different SS techniques. For instance, when FSL-BET failed to remove the scalp, SynthStrip performed well in removing non-brain tissues and vice-versa. This suggests the potential benefits of combining these techniques into a consensus approach, such as ensembles in machine learning. In conclusion, the quantitative and qualitative analyses of different SS techniques for the pediatric population highlight the superiority of FSL-BET and SynthStrip and allow the identification of prospective outliers. The future exploration of ensemble techniques and tailored technique adaptations could lead to specialized SS techniques and more accurate brain analyses in pediatric subjects.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 | 0,001 |
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 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 ».