Fast segmentation with the NextBrain histological atlas
Notice bibliographique
Résumé
Abstract Structural brain analysis at the subregion level offers critical insights into healthy aging and neurodegenerative diseases. The NextBrain histological atlas was recently introduced to support such fine-grained investigations, but its existing Bayesian segmentation framework remains computationally prohibitive, particularly for large-scale studies. We present a new, open-source tool that dramatically accelerates segmentation using a hybrid approach combining: machine learning, contrast-adaptive segmentation; target-specific image synthesis; and fast diffeomorphic registration (all three with GPU support). Our method enables highly granular segmentation of brain MRI scans of any resolution and contrast (in vivo or ex vivo) at a fraction of the computational cost of the original method (<5 minutes on a GPU). We validate our tool on four different modalities (in vivo MRI, ex vivo MRI, HiP-CT, and photography) across a total of approximately 4,000 brain scans. Our results demonstrate that the accelerated approach achieves comparable accuracy to the original method in terms of Dice scores, while reducing runtime by over an order of magnitude. This work enables high-resolution anatomical analysis at unprecedented scale and flexibility, providing a practical solution for large neuroimaging studies. Our tool is publicly available in FreeSurfer (https://surfer.nmr.mgh.harvard.edu/fswiki/HistoAtlasSegmentation).
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».