Deep-learning segmentation of the substantia nigra from multiparametric MRI: Application to Parkinson’s disease
Notice bibliographique
Résumé
with NM-sensitive MRI, showing potential as a biomarker of PD. This relies on delineating the NM-rich region, which is achieved by applying manual or automated methods. Currently, there is a lack of publicly available tools for this task, so we trained a deep neural network intended for publishing, while exploring the effects of incorporating multiparametric MRI for segmenting the NM hyperintensity of the SN. We obtained multiple MRI contrasts, including NM-sensitive magnetization transfer contrast from 109 individuals (87 PD, 22 healthy controls) comprising a Norwegian and a Canadian cohort. The method was further evaluated on 209 MRIs from the Parkinson's Progressive Markers Initiative (PPMI). We observed that models trained naively on images from a single site tended to perform very poorly when exposed to similar data from different sites, emphasizing the importance of validating on out-of-distribution data. By applying aggressive data augmentation, we could largely attenuate the problem. We also observed a small additional regularizing effect from training the neural network on multiparametric MRIs. Volume and contrast-to-noise ratio (CNR) of the SN hyperintensity to the crus cerebri were used to distinguish patients from controls, with an area under the receiver operating characteristic (AUROC) of 0.863. CNR was found to be a better marker of disease status than volume, and we discuss a potential confusion in discerning the two measures. No contralateral association was observed between the severity of motor symptoms and volume or CNR.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».