segcsvd <sub>WMH</sub> : A convolutional neural network-based tool for quantifying white matter hyperintensities in heterogeneous patient cohorts
Notice bibliographique
Résumé
Abstract White matter hyperintensities (WMH) of presumed vascular origin are an MRI-based biomarker of cerebral small vessel disease (CSVD). WMH are associated with accelerated cognitive decline and increased risk of stroke and dementia, and are commonly observed in aging, vascular cognitive impairment, Alzheimer’s and Parkinson’s disease, and related dementias. The accurate, reliable, and rapid measurement of WMH in large-scale multi-site clinical studies with heterogeneous patient populations remains challenging. The diversity of MRI protocols and image characteristics across different studies as well as the diverse nature of WMH, in terms of their highly variable shape, size, distribution, and underlying pathology, adds additional complexity to this task. Here, we present segcsvd WMH , a novel convolutional neural network-based tool for quantifying WMH. segcsvd WMH is specifically designed for accurate and robust performance when applied to diverse clinical patient datasets. Central to the development of this tool is the curation of a large patient dataset (>700 scans) sourced from seven multi-site studies, encompassing a wide range of clinical populations, WMH burden, and imaging parameters. The performance of segcsvd WMH is evaluated against three widely used WMH segmentation tools, where we demonstrate significantly enhanced accuracy and robustness across a range of challenging conditions and datasets.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».