Atlas-based segmentation for HRRT brain PET
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".