Dataset-Aware Preprocessing for Hippocampal Segmentation: Insights from Ablation and Transfer Learning
Notice bibliographique
Résumé
Accurate hippocampal segmentation in 3D MRI is essential for neurodegenerative disease research and diagnosis. Preprocessing pipelines can strongly influence segmentation accuracy, yet their impact across datasets and in transfer learning scenarios remains underexplored. This study systematically compares a No Preprocessing (NP) pipeline and a Full Preprocessing (FP) pipeline for hippocampal segmentation on the EADC-ADNI HarP clinical dataset and the multi-site MSD dataset using a 3D U-Net with residual connections and dropout regularization. Evaluations employed standard overlap metrics, Hausdorff Distance (HD), and Wilcoxon signed-rank tests, complemented by qualitative analysis. Results show that NP consistently outperformed FP in Dice, Jaccard, and F1 metrics on HarP (e.g., Dice 0.8876 vs. 0.8753, p < 0.05), while FP achieved superior HD, indicating better boundary precision. Similar trends emerged in transfer learning from MSD to HarP, with NP improving overlap measures and FP maintaining lower HD. To test whether the findings generalize across architectures, experiments on Harp Dataset were also repeated with a 3D V-Net backbone, which reproduced the same trend. Comparative analysis with recent studies confirmed the competitiveness of the proposed approach despite lower input resolution and reduced model complexity. These findings highlight that preprocessing choice should be tailored to dataset characteristics and the target evaluation metric. The results provide practical guidance for selecting segmentation workflows in clinical and multi-center neuroimaging applications.
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 | 0,000 | 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 ».