Region-informed machine learning model for choroid plexus segmentation in Alzheimer’s disease
Notice bibliographique
Résumé
Introduction The choroid plexus (CP), a critical structure for cerebrospinal fluid (CSF) production, has been increasingly recognized for its involvement in Alzheimer’s disease (AD). Accurate segmentation of CP from magnetic resonance imaging (MRI) remains challenging due to its irregular shape, variable MR signal, and proximity to the lateral ventricles. This study aimed to develop and evaluate a region-informed Gaussian Mixture Model (One-GMM) for automatic CP segmentation using anatomical priors derived from FreeSurfer (FS) software and compare it with manual, FS, and one previous GMM-based (Two-GMM) methods. Materials and methods T1-weighted (T1w) and T2-fluid-attenuated inversion recovery (FLAIR) MRI scans were acquired from 38 participants [19 cognitively normal (CN)], 11 with mild cognitive impairment (MCI), and 8 with AD. Manual segmentations served as ground truth. A GMM was applied within an anatomically constrained region combining the lateral ventricles and CP derived from FS reconstruction. The segmentation accuracy was assessed using the dice similarity coefficient (DSC), the 95th percentile Hausdorff distance (HD95), and volume difference percentage (VD%). Results were compared with those from FS and one previous GMM method-based segmentations across diagnostic groups. Results The region-informed One-GMM achieved significantly higher accuracy compared to FS and Two-GMM, with a mean DSC of 0.82 ± 0.05 for One-GMM versus 0.24 ± 0.11 for FS (p < 0.001), and 0.66 ± 0.10 for Two-GMM (p < 0.001), lower HD95 (One-GMM: 6.06 ± 10.32 mm vs. FS: 26.21 ± 7.32 mm vs. Two-GMM: 10.58 ± 6.47 mm), and comparable volume difference (One-GMM: 20.97 ± 9.53% vs. FS: 24.32 ± 28.13% vs. Two-GMM: 24.27 ± 22.10, p = 0.87). Segmentation accuracy of our proposed method was consistent across all diagnostic groups. Clinical analysis showed that there is no diagnostic group difference in CP volume obtained from manual, FS, Two-GMM, and our proposed One-GMM methods. In the whole cohort, there are also no age and sex effects of CP volume with all methods. Restricting to the CN group, CP volume from both manual (p = 0.03), Two-GMM (p < 0.01) and the proposed One-GMM (p = 0.05), methods show an aging effect, but not for the FS segmented CP volume (p = 0.22). Conclusion A region-informed One-GMM method significantly improved CP segmentation accuracy over FS, providing a practical and accessible tool for CP quantification in AD and other research studies. Within this small cohort, no diagnostic group difference in CP volume was observed. An aging effect of CP volume was found within the CN group.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».