Automatic Segmentation of the Brainstem Based on Multiplanar Magnetic Resonance Image Slices Using U-Net-Based Machine Learning
Notice bibliographique
Résumé
Recent studies on Parkinson's Disease (PD) discovered potential markers in brain MR images for its diagnosis and staging.One of them is the neuromelanin, which can be found in regions such as the substantia nigra and the locus coeruleus, both located in the brainstem.The analysis of these regions is normally conducted manually by a specialized professional, which can be costly and timeconsuming.Fortunately, there have been advances in automatic segmentation approaches in several areas.In medical imaging, U-Nets are showing state-of-the-art performance, but we did not find many works using this architecture to extract brainstem structures.A likely cause for this is the scarcity of large databases with well annotated segmentation of these areas.Thus, this paper explores the use of a dataset of our research group composed of T1-weighted MR images to train U-Net models with different types of slices to automatically demarcate the brainstem (as a first stage).The analysis starts with a scripted segmentation of the target region using the Freesurfer package.Thereby, we trained 4 models and evaluated them using Dice Similarity Coefficient (DSC) and Intersection over Union (IoU).Three models were trained on single anatomical planes, and one on multi-plane slices.Also, we applied grid search, varying optimizers, numbers of filters in the first layer, and learning rates.The best model trained with the larger subset with the best performance was the axial (DSC: 91.76% and IoU: 86.95%), followed by sagittal (DSC: 90.61% and IoU: 84.11%), coronal (DSC: 89.38% and IoU: 68.76%), and all slices (DSC: 16.36% and IoU: 7.58%).The next steps of our research are to differentiate the midbrain out of the brainstem, considering manual segmentation as ground truth, and test some approaches on determining the threshold and evaluating separately the 2 hemispheres of the midbrain.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».