Expert Evaluation of Deep Learning Approaches to White Matter Hyperintensity Segmentation in Older Adults
Notice bibliographique
Résumé
Abstract Background White matter hyperintensities (WMHs) are critical markers of cerebrovascular health and neurodegenerative disease. Accurate and reproducible quantification of WMHs is essential for characterizing vascular contributions to aging, cognition, and Alzheimer disease and related dementias. Deep learning pipelines have emerged as powerful tools for WMH segmentation, yet limited research compares their performance using expert evaluation as the benchmark. Here, we assess the performance of five deep learning WMH segmentation pipelines by comparing their outputs through blinded neuroradiologist ratings. Method We processed FLAIR scans from 100 older adults (aged 80 and older) enrolled in the SuperAging Research Initiative. 3D T 2 ‐weighted FLAIR and T 1 ‐weighted MPRAGE sequences followed the ADNI‐3 protocol, acquired across five sites, using 3T scanners from three vendors (GE, Siemens, Philips). Binary segmentation masks from five deep learning pipelines were utilized: sysu_media, ANTSx, DeepWMH, TrUE‐Net, and HyperMapp3r. A neuroradiologist (C.V.) evaluated the per‐participant level randomized segmentation masks, overlaid on the FLAIR and T 1 ‐weighted image, using a 7‐point Likert‐type scale, where 1 indicated "poor segmentation" and 7 indicated "excellent segmentation". Ratings were based on anatomical plausibility and alignment with WMH voxels visible on FLAIR. To compare scores, a Kruskal‐Wallis test and post‐hoc Mann‐Whitney pairwise comparisons were used. Result The Kruskal‐Wallis test revealed significant differences in segmentation quality across the five pipelines ( p = 7.73 x 10 ‐43 ). Post‐hoc Mann‐Whitney tests showed ANTSx (mean rating = 5.59 ± 1.17) performed significantly better than all other pipelines (all p < 0.00001), while HyperMapp3r (mean rating = 2.33 ± 1.22) consistently received significantly lower ratings (all p < 0.00001). DeepWMH (mean rating = 4.45 ± 1.34), sysu_media (mean rating = 4.18 ± 1.20), and TrUE‐Net (mean rating = 4.49 ±1.18) had comparable ratings, with no significant differences between the three. Conclusion This study highlights significant variability in the quality of WMH segmentation across commonly used deep learning pipelines when benchmarked against expert evaluation. Among the evaluated pipelines, ANTSx demonstrated superior performance, producing clinically plausible segmentations with high anatomical fidelity. These findings underscore the importance of expert validation in selecting and refining automated segmentation tools for research and clinical applications in aging and neurodegenerative disease.
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 | 0,012 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».