Automated <scp>MRI</scp> Segmentation of Brainstem Nuclei Critical to Consciousness
Notice bibliographique
Résumé
Although substantial progress has been made in mapping the connectivity of cortical networks responsible for conscious awareness, neuroimaging analysis of subcortical networks that modulate arousal (i.e., wakefulness) has been limited by a lack of robust segmentation procedures for ascending arousal network (AAN) nuclei in the brainstem. Automated segmentation of brainstem AAN nuclei is an essential step toward elucidating the physiology of human consciousness and the pathophysiology of disorders of consciousness. We created a probabilistic atlas of 10 AAN nuclei built on diffusion MRI scans of 5 ex vivo human brain specimens imaged at 750 μm isotropic resolution. The neuroanatomic boundaries of AAN nuclei were manually annotated with reference to 200 μm 7 Tesla MRI scans in all five specimens and nucleus-specific immunostains in two of the scanned specimens. We then developed a Bayesian segmentation algorithm that utilizes the probabilistic atlas as a generative model and automatically identifies AAN nuclei in a resolution- and contrast-adaptive manner. The segmentation method displayed high accuracy when applied to in vivo T1 MRI scans of healthy individuals and patients with traumatic brain injury, as well as high test-retest reliability across T1 and T2 MRI contrasts. Finally, we show through classification and correlation assessments that the algorithm can detect volumetric changes and differences in magnetic susceptibility within AAN nuclei in patients with Alzheimer's disease and traumatic coma, respectively. We release the probabilistic atlas and Bayesian segmentation tool to advance the study of human consciousness and its disorders. Trial Registration: ClinicalTrials.gov: NCT03504709.
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 | 0,026 |
| 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 | 0,001 | 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 ».