segcsvd <sub>PVS</sub> : A convolutional neural network‐based tool for quantification of enlarged perivascular spaces (PVS) on T1‐weighted images
Notice bibliographique
Résumé
Abstract Background Enlarged perivascular spaces (PVS) are imaging biomarkers of cerebral small vessel disease (CSVD) associated with age, hypertension, and neurodegenerative conditions. Despite their clinical relevance, accurate quantification of PVS on T1‐weighted magnetic resonance imaging (MRI) remains challenging due to both variability across imaging protocols, and their small size and limited contrast. Automated methods such as convolutional neural networks (CNNs) offer a scalable solution, but existing tools are limited in performance and generalizability. Method This study introduces segcsvd PVS , a CNN‐based tool designed for automated PVS segmentation on T1‐weighted images, based on a hierarchical framework incorporating anatomical information and robust training strategies. It was trained on semi‐automated RORPO‐based ground truth data and validated using both manual and semi‐automated segmentations. A large and comprehensive cohort ( n = 1351) spanning multiple datasets characterized by diverse imaging protocols, patient populations, and anatomical characteristics was used for training and evaluation. Performance metrics, robustness to variations in image quality, and age‐related associations with PVS burden were rigorously evaluated against established RORPO‐based methods. Result Segcsvd PVS achieved high sensitivity for basal ganglia PVS (SNS = 0.81 ± 0.13) and identified significantly larger volumes (86.1 ± 67.1 mm 3 ) compared to human tracers (47.2 ± 26.5 mm 3 , 48.6 ± 28.4 mm 3 . Our tool demonstrated strong age‐related correlations with PVS volumes across three diverse datasets (TEST: r = 0.41, CI = [0.03, 0.68]; ADNI: r = 0.38, CI = [0.30, 0.46]; CAHHM: r = 0.41, CI = [0.35, 0.46]). Although similar but weaker trends were observed for non‐basal ganglia PVS, segcsvd PVS demonstrated superior robustness to variations in contrast and noise across both regions, with minimal changes in age‐related correlations (∆r ≤ 0.08) compared to the RORPO‐based methods (∆r ≤ 0.39). Conclusion Segcsvd PVS is a reliable tool for PVS segmentation, particularly in basal ganglia regions, offering superior sensitivity, robustness to imaging variability, and enhanced detection of biologically relevant age‐related associations. These findings support its application in large‐scale studies and clinical research to advance our understanding of PVS contributions to CSVD and dementia.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».