Automated mean linear intercept measurement: quantifying bias and parameter sensitivity in lung morphometry
Notice bibliographique
Résumé
Abstract Objective. The mean linear intercept (MLI) is often used in lung morphometry; however, its assessment is labor-intensive, time-consuming, and prone to systematic biases when using the conventional indirect method. This study examines the inherent systematic biases in the indirect method, and explores the differences between the two methods, including how methodological parameters, such as the number of accepted field-of-view (FOV) images and guideline length, affect the measurement. Approach. We developed an automated MLI measurement system that uses a multiresolution semantic segmentation model. The system enables both indirect and direct MLI methods and allows for controlled variation of measurement parameters. The number of accepted FOVs was varied from 10 to 1000, and the guideline length from 39 to 702 pixels (19.4–349.5 µ m). Main results. The indirect method consistently overestimated MLI due to Septa Bias and Partial Chord Bias. The standard error of MLI decreases with more accepted FOV images, and the direct method consistently yielded a lower standard error than the indirect method. Short guideline lengths (<135.9 µ m) have a large impact on the indirect method, whereas the direct method is relatively insensitive to this parameter. Significance. The automated MLI measurement system improves the efficiency over human raters and enables higher precision by leveraging the advantages of the direct method (e.g. lower standard error, low sensitivity to guideline length) and the analysis of a larger number of FOV images. Moreover, the segmentation model used in the system is demonstrated to be accurate, which can facilitate the development of advanced morphometry techniques.
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 | 0,003 | 0,001 |
| 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 ».