Benchmarking the Impact of Anatomical Segmentation on In Vivo Magnetic Resonance Spectroscopy
Notice bibliographique
Résumé
Purpose: Estimation of metabolite concentrations in brain magnetic resonance spectroscopy (MRS) requires correction for differences in tissue water content, relaxation properties, and the proportions of gray matter (GM), white matter (WM), and cerebrospinal fluid (CSF). Accurate knowledge of the relative proportions of these tissue classes within the volume of interest is therefore essential for reliable quantification. Commonly used brain segmentation tools differ in their algorithms, priors, and implementation, potentially introducing variability in MRS-derived concentration estimates. This study investigates the impact of segmentation software on estimated absolute concentrations. Methods: Three segmentation software tools, ANTs, FSL, and SPM, were evaluated. Segmentations were applied to an in vivo test-retest MR dataset to assess (1) differences in estimated tissue fractions, and (2) how these differences propagate into tissue-corrected metabolite concentrations. As an additional validity check and biological benchmark of segmentation performance, age-related associations with GM and total creatine (tCr) were examined. Results: < 0.0001) were observed in tissue fraction estimates between segmentation tools, leading to differences in metabolite concentration estimates of up to 9% under identical acquisition and modeling conditions. Although the strength of the correlation varied between segmentation methods, no statistically significant differences were found. Conclusion: The choice of segmentation methodology contributed substantially to variability in MRS "absolute" metabolite concentration estimates. These results underscore the need for transparent segmentation reporting to ensure reproducibility and cross-study comparability in MRS research. Quantifying the segmentation-driven variability allows researchers to contextualize cross-study differences, helping determine whether observed effects are methodological or biologically meaningful.
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 | 0,022 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».