MRI quantification of longitunal morphological changes in neurodegeneration: application to multiple Sclerosis and Alzheimer's disease
Bibliographic record
Abstract
Au Canada, la maladie d'Alzheimer (MA) et la sclérose en plaques (SP) affectent respectivement 480,600 et 100,000 patients. AD affecte la mémoire, la capacité cognitive quotidienne et représente 60 à 80 pourcent des cas de démence alors que la SP est le handicap neurologique le plus répandue chez les jeunes adultes. Ces deux maladies neurodégénératives sont incurables, mais des traitements pour leur symptôme, leur diagnostic précoce et pour retarder leur apparition sont actuellement évalué internationalement. Les processus neurodégénératifs résultants de ces maladies peuvent entraîner des changements anatomiques spatio-temporaux globaux et focaux. Quantifier de manière fiable ces changements permettra d'offrir de nouvelles perspectives sur la progression de la maladie et aura d'immenses implications pour le pronostic, les stratégies de traitement et le suivi des effets thérapeutiques sur la maladie. L'imagerie par résonance magnétique (IRM) permet la visualisation de macrostructure anatomique du cerveau, permet de saisir les phénomènes neurodégénératifs tels que l'atrophie, et d'enquêter de manière non invasive l'évolution temporale. Bien que des méthodes ont été largement utilisées pour l'estimation robuste de l'atrophie, elles se sont limitées aux analyses de type transversal. L'émergence récente de nombreuses bases de données longitudinales fournit les données nécessaires pour développer, tester et étudier les changements structurels longitudinaux de l'anatomie cérébrale. L'objectif principal de cette thèse était de développer une mesure robuste, précise et entièrement automatique des changements longitudinaux focaux en IRM, permettant une compréhension détaillée de l'origine, de la propagation et de la distribution spatiotemporelle de l'atrophie cérébrale des maladies neurodégénératives. Le premier objectif était de détecter automatiquement la présence de pathologies telles que des lésions. Deuxièmement, les lésions peuvent avoir un impact sur les analyses d'image. Nous avons donc proposé une nouvelle stratégie de remplissage des lésions pour éliminer les irrégularités d'intensité qui peuvent affecter les analyses ultérieures. Pour le troisième objectif, nous avons proposé et évalué une nouvelle méthode permettant d'éliminer le biais potentiels du recalage non-linéaire. Finalement, nous avons développé une approche de recalage spatio-temporelle d'images avec pour but de supprimer la variabilité longitudinale. Les méthodes développées dans cette thèse offrent un grand potentiel clinique en termes de diagnostic, traitement et suivi des maladies neurodégénératives.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".