Cerebral small vessel disease lesion segmentation methods: A systematic review
Notice bibliographique
Résumé
• Systematic review of segmentation methods for cerebral small vessel disease lesions • Good evidence for validated methods for segmenting white matter hyperintensity • Fewer methods for microbleeds, perivascular spaces, and lacunes Cerebral small vessel disease (CSVD) can manifest as brain lesions visible on magnetic resonance imaging, including white matter hyperintensities (WMH), cerebral microbleeds (CMB), perivascular spaces (PVS), lacunes, and recent small subcortical infarcts (RSSI). Detection and segmentation of these imaging markers can provide valuable information on brain health, including prevention and treatment of dementia. However, manual segmentation is cumbersome, especially for large cohorts in research studies. There has been extensive research into the development of automated tools using machine learning to increase accuracy and efficiency in lesion segmentation. This systematic review aimed to summarize novel automated methods developed over the last 10 years that segment CSVD lesion types and have been validated on a population with or at risk for CSVD ( e.g., older adults, those with cognitive disorders, or those with vascular risk factors). A search on Web of Science and PubMed yielded 2764 studies, of which 89 were included after screening and full text review. 59 of these methods segmented WMH, 23 detected or classified CMB, 6 detected or segmented PVS, 5 detected, classified, or segmented lacunes, and 2 segmented RSSI. Of these, 30 studies (23 for WMH, 5 for CMB, 1 for PVS, and 1 for lacunes) included links to download code or pre-trained models, including one commercial tool, and one that relied on a commercial tool for input. Overall, this review found good evidence for high quality tools available for WMH segmentation, with fewer tools available to accurately segment other CSVD lesion types.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 ».