Automated segmentation of multiple sclerosis lesions, paramagnetic rims, and central vein sign on MRI provides reliable diagnostic biomarkers
Notice bibliographique
Résumé
Multiple sclerosis (MS) is characterized by central nervous system lesions detectable via MRI. Existing diagnostic criteria incorporate presence of white matter lesions, but specificity can be improved using MS-specific imaging biomarkers, including paramagnetic rim lesions (PRLs) and central vein sign (CVS). However, manual segmentation of lesions, PRLs, and CVS is time-consuming and subjective. We propose a fully-automated joint segmentation method called Automated Lesion, PRL, and CVS Analysis (ALPaCA). We trained ALPaCA using subject-level cross-validation on 47 adults with MS and 50 adults with radiological MS mimics. ALPaCA uses a voxel-wise lesion segmentation method to propose a large set of lesion candidates. Lesion candidates are input into a multi-contrast, multi-label 3D convolutional neural network as 3D patches to produce lesion, PRL, and CVS predictions. When multiple lesions exist within a patch, an attention mechanism identifies which lesion candidate to classify. At the lesion level, ALPaCA achieves cross-validation areas under the receiver operating characteristic curve (AUROCs) of 0.95, 0.91, and 0.87 for lesion, PRL, and CVS classification, outperforming previous methods (all p < 0.001). Correlations between subject-level ALPaCA lesion and PRL scores with manual counts are higher than those of previous methods (p < 0.001; p = 0.03). Subject-level ALPaCA PRL and CVS scores are highly associated with MS in logistic regressions, when controlling for age and sex (p < 0.001). ALPaCA allows for fully-automated simultaneous segmentation of MS lesions, PRLs, and CVS using clinically-feasible scans. These segmentations outperform existing methods at the lesion and subject level.
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 | 0,006 |
| 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 | 0,001 |
| 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 ».