Attention Blocks Improve White Matter Hyperintensity Semantic Segmentation using U-Nets
Notice bibliographique
Résumé
White matter hyperintensities (WMHs) are a common finding on magnetic resonance (MR) images in older individuals, appearing as high-signal intensity regions on fluid-attenuated inversion recovery (FLAIR) imaging. People with high WMH volume are at increased risk for dementia and stroke, controlling for vascular risk factors, but WMH burden is not reliably assessed in clinical practice. Manual segmentation of WMHs is accepted as the gold standard (or ground truth), however, it is a laborious and time-consuming method. Newer machine learning (ML)-based approaches are being proposed as alternatives to manual segmentation. Among these approaches, U-Net convolutional neural networks have demonstrated good WMH segmentation performance. However, even state-of-the-art ML models sometimes fail to correctly identify WMHs and their boundaries with sufficient accuracy. Attention blocks have emerged as a potential solution for improving the performance of U-Net models by enhancing the ability of the model to focus on relevant features in the data. We investigated the effectiveness of attention blocks in U-Net models for WMH segmentation compared to three other models (U-Net++, U-Net3+, and a standard U-Net). Attention blocks significantly improved the F-measure score for WMH segmentation (0.811 vs 0.789 for next best model, p=0.04) in a diverse brain imaging dataset. This study demonstrates that attention blocks enhance U-Net models used for WMH identification and classification.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».