Automated registration-based skull stripping procedure for feline neuroimaging
Notice bibliographique
Résumé
Skull stripping is a fundamental preprocessing step in modern neuroimaging analyses that consists of removing non-brain voxels from structural images. When performed entirely manually, this laborious step can be rate-limiting for analyses, with the potential to influence the population size chosen. This emphasizes the need for a fully- or semi-automated masking procedure to decrease man-hours without an associated decline in accuracy. These algorithms are plentiful in human neuroimaging but are relatively lacking for the plethora of animal species used in research. Unfortunately, software designed for humans cannot be easily transformed for animal use due to the high amount of tailoring required to accurately account for the considerable degree of variation within the highly folded human cortex. As most animals have a relatively less complex cerebral morphology, intersubject variability is consequently decreased, presenting the possibility to simply warp the brain mask of a template image into subject space for the purpose of skull stripping. This study presents the use of the Cat Automated Registration-based Skull Stripper (CARSS) tool on feline structural images. Validation metrics revealed that this method was able to perform on par with manual raters on >90 % of scans tested, and that its consistency across multiple runs was superior to that of masking performed by two independent raters. Additionally, CARSS outperformed three well-known skull stripping programs on the validation dataset. Despite a handful of manual interventions required, the presented tool reduced the man-hours required to skull strip 60 feline images over tenfold when compared to a fully manual approach, proving to be invaluable for feline neuroimaging studies, particularly those with large population sizes.
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 | 0,000 |
| 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 ».