MRI brain analysis testbed (BAT) : methodology and automatic validation pipeline
Notice bibliographique
Résumé
Magnetic Resonance Imaging (MRI) is extensively used in brain imaging research and clinical diagnostics. Increasingly, automated image processing algorithms are used for identification of tissue types within the image, such as gray matter, white matter and cerebro-spinal fluid. There is a wide range of algorithms, which vary in speed and accuracy, and it is often difficult to compare their performance in any objective and controlled fashion. The goal of this research was to design an automatic, generic, standard, extensible pipeline for objective and quantitative validation of MRI tissue classification algorithms and their processing pipelines. The main issues and requirements, for objective validation of different algorithms, are the use of common terminology, methodology, standard validation data sets, corresponding ground truth, validation metrics and statistical foundation. Based on those requirements, an automatic Brain Analysis Testbed (BAT) was developed to determine an objective evaluation score for MRI processing method. BAT supports Montreal Neurological Institute on-site or off-site processing of MRI data, accessible by a web interface (http://www.bic.mni.mcgill.ca/validation/). Validation results are stored in the BAT database permanently, allowing the comparison of newly developed processing methods with existing ones. Furthermore, BAT can be used to determine the optimal classification parameters, or the best classifier algorithm for a specific MRI classification purpose, simply by searching the BAT database. The main purposes and principles of BAT are demonstrated with some practical MRI processing examples.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».