Longitudinal White Matter Hyperintensity Segmentation with LSTM-Enhanced U-Net
Notice bibliographique
Résumé
White matter hyperintensities (WMHs) are commonly accepted biomarkers of brain aging and neurodegeneration, typically observed on magnetic resonance imaging. Segmenting WMHs using U-Net-based convolutional neural networks (CNNs) is a viable and widely demonstrated technique to automate an otherwise laborious and tedious manual task. Although automation of cross-sectional WMH segmentation has been demonstrated, failure to appropriately process temporal information may decrease accuracy and limit understanding of lesion progression. Here, we investigate the combination of two convolutional long short-term memory (LSTM) approaches and U-Net models to segment WMHs in young and old adults. Using information acquired at two visits in 50 healthy individuals, we analyzed model-task performance using$F$-measure of three variants: 1) baseline standard U-Net, 2) Partial LSTM U-Net, and 3) Full LSTM U-Net. Results showed that while LSTM-based models outperform the baseline model in$F$-measure, notable differences emerged in how effectively they detected WMHs of varying size and distribution between age groups. These findings highlight the need to account for age-related heterogeneity in lesion morphology when designing and evaluating automated longitudinal WMH segmentation tools, and suggest that age- and size-aware modeling may lead to more robust predictions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».