<scp> segcsvd <sub>WMH</sub> </scp> : 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 a magnetic resonance imaging (MRI)‐based biomarker of cerebral small vessel disease (CSVD). WMH are associated with cognitive decline and increased risk of stroke and dementia, and are commonly observed in aging, vascular cognitive impairment, and neurodegenerative diseases. The reliable and rapid measurement of WMH in large‐scale multisite clinical studies with heterogeneous patient populations remains challenging, where the diversity of imaging characteristics across studies adds additional complexity to this task. We present segcsvd WMH , a convolutional neural network‐based tool developed to provide reliable and accurate WMH quantification across diverse clinical datasets. segcsvd WMH was developed using a large dataset consisting of over 700 fluid‐attenuated inversion recovery MRI scans from seven multisite studies, spanning a wide range of clinical populations, WMH burdens, and imaging protocols. Model training incorporated anatomical information through a novel hierarchical segmentation approach, together with extensive data augmentation techniques to improve performance across varied imaging conditions. Benchmarked against three widely available segmentation tools, segcsvd WMH demonstrated superior accuracy, achieving mean Dice score improvements of 7.8% ± 9.7% over HyperMapp3r, 21.8% ± 8.6% over SAMSEG, and 43.5% ± 7.1% over WMH‐SynthSeg across four diverse test datasets. segcsvd WMH also maintained consistently high Dice scores across these test datasets (mean DSC = 0.86 ± 0.08), and exhibited strong, stable correlations with periventricular, deep, and total WMH ground truth volumes (mean r = 0.99 ± 0.01). Additionally, segcsvd WMH was robust to low and moderate levels of simulated MRI spike noise artifacts and maintained strong performance across a range of binary segmentation thresholds and WMH burden levels. These findings suggest that segcsvd WMH may provide more accurate and robust WMH segmentation performance for heterogeneous clinical datasets characterized by varying degrees of CSVD severity.
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 ».