کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8686586 1580829 2018 59 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images
ترجمه فارسی عنوان
مقایسه حالت کاملا خودکار حالت تقسیم مغزی از تصاویر رزونانس مغناطیسی
ترجمه چکیده
مخچه انسانی نقش مهمی در کنترل موتور دارد، در عملکرد شناختی (یعنی توجه، حافظه کاری، و زبان) نقش دارد و به تنظیم پاسخ های احساسی کمک می کند. بررسی کمی ویتامین در مخچه در مطالعه چند بیماری عصبی، از جمله اتواکسیون مخچه، اوتیسم و ​​اسکیزوفرنیا مهم است. نشان داده شده است که زیر ساخت های مختلف ساختمانی مخچه با آسیب شناسی های مختلف مرتبط است. برای شناخت بیشتر این آسیب شناسی ها، مفید است که به طور خودکار مخچه را با بالاترین وفاداری تقسیم کنید. در این مقاله، ما با همکاران در سراسر جهان برای ارزیابی الگوریتم های خودکار سازی تقسیم مخچه در دو گروه بالینی هماهنگ شده است که نشان می دهد که مخچه می تواند به دقت بالا با روش های جدیدتر تجزیه شود. ما این روش های مختلف را در چهار سطح سلسله مراتبی توصیف می کنیم: درشت (یعنی کل مخچه و ساختارهای ناخالص)، لوب، تقسیم بندی ها و لوبول ها. با توجه به تعداد برچسب ها، سلسله مراتب برچسب ها، تعداد الگوریتم ها و دو گروه، ما تجزیه و تحلیل های ما را به اندازه توری از همپوشانی محدود کرده است. در این شرایط، روش های مبتنی بر یادگیری ماشین، مجموعه ای از استراتژی هایی را ارائه می دهد که کارآیی داشته باشند و تقسیم بندی های استاندارد بالا را در هر دو گروه انجام دهند، که بالاتر از کار قبلی در منطقه است. در رابطه با محاسبه رتبه بندی، یک روش کلی برنده را شناسایی کردیم.
موضوعات مرتبط
علوم زیستی و بیوفناوری علم عصب شناسی علوم اعصاب شناختی
چکیده انگلیسی
The human cerebellum plays an essential role in motor control, is involved in cognitive function (i.e., attention, working memory, and language), and helps to regulate emotional responses. Quantitative in-vivo assessment of the cerebellum is important in the study of several neurological diseases including cerebellar ataxia, autism, and schizophrenia. Different structural subdivisions of the cerebellum have been shown to correlate with differing pathologies. To further understand these pathologies, it is helpful to automatically parcellate the cerebellum at the highest fidelity possible. In this paper, we coordinated with colleagues around the world to evaluate automated cerebellum parcellation algorithms on two clinical cohorts showing that the cerebellum can be parcellated to a high accuracy by newer methods. We characterize these various methods at four hierarchical levels: coarse (i.e., whole cerebellum and gross structures), lobe, subdivisions of the vermis, and the lobules. Due to the number of labels, the hierarchy of labels, the number of algorithms, and the two cohorts, we have restricted our analyses to the Dice measure of overlap. Under these conditions, machine learning based methods provide a collection of strategies that are efficient and deliver parcellations of a high standard across both cohorts, surpassing previous work in the area. In conjunction with the rank-sum computation, we identified an overall winning method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: NeuroImage - Volume 183, December 2018, Pages 150-172
نویسندگان
, , , , , , , , , , , , , ,