Atlas-based segmentation for HRRT brain PET
Notice bibliographique
Résumé
ABR ÉG ÉLes images de la tomographie par émission de positrons (TEP) ont souvent besoin de segmentation pour l'analyse.En pratique, la segmentation est effectuée manuellement par un expert sur les images, où des régions d'intérêt sont délimitées sur les images anatomiques co-enregistrés.Cependant, les méthodes manuelles dépendent de l'opérateur et prennent beaucoup de temps, et le recalage entre les images anatomique et fonctionnelles du même sujet peu être inexact.Pour surmonter ces limitations, nous proposons un système de segmentation automatique base sur un enregistrement TEP-à-TEP optimisé.La segmentation des images est réalisée par alignement avec un atlas spécifiques au traceur-radio du cerveau.Plus important encore, l'atlas est une d'image de moyenne forme et moyenne intensité formé à partir de plusieurs images, ce qui en fait une image optimale pour l'enregistrement et l'étiquetage manuel.Les segmentations des images peuvent être utilisé pour extraire des courbes régionales temps-activité pour permettre l'estimation automatique de BP régionale en utilisant un modèle de tissu de référence.Nous validons notre approche avec des images simules, et evaluons sa performance sur de vraies images TEP de [ 11 C]raclopride du tomographe de recherche à haute résolution.En utilisant des images simulées, nous avons constaté que notre segmentation basée sur l'atlas était exact (moyen coefficient Dice de similarité supérieur ou égal à 0,881 pour toutes les régions d'intérêt) et que estimation BP en utilisant les régions segmentées différer de l'estimation de BP en utilisant les véritables v régions par un maximum de % Abs.Error = 3.423, se compare favorablement avec la référence de la méthode de segmentation classique de délimitation manuelle.Appliquée à des images réelles, la segmentation est d'accord avec les délimitations manuelles en termes de coefficient de corrélation linéaire sur des estimations de BP (r = 0.979 lorsque l'on considère toutes les régions d'intérêt).Ces résultats suggèrent que la segmentation d'images par atlas fonctionnelles effectue à un niveau qui correspond au moins, et dans de nombreux cas surpasse, segmentation manuelle.
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 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 ».