Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images
Comparaison de la parcellisation du cervelet de pointe entièrement automatisée à partir d'images par résonance magnétique
Carass, Aaron et Cuzzocreo, Jennifer L. et Han, Shuo et Hernandez-Castillo, Carlos R. et Rasser, Paul E. et Ganz, Melanie et Beliveau, Vincent et Dolz, Jose et Ben Ayed, Ismail et Desrosiers, Christian et Thyreau , Benjamin et Romero, José E. et Coupé, Pierrick et Manjón, José V. et Fonov, Vladimir S. et Collins, D. Louis et Ying, Sarah H. et Onyike, Chiadi U. et Crocetti, Deana et Landman, Bennett A. et Mostofsky, Stewart H. et Thompson, Paul M. et Prince, Jerry L.
NeuroImage 2018
Résumé: Le cervelet humain joue un rôle essentiel dans le contrôle moteur, est impliqué dans les fonctions cognitives (c'est-à-dire l'attention, la mémoire de travail et le langage) et aide à réguler les réponses émotionnelles. L'évaluation quantitative in vivo du cervelet est importante dans l'étude de plusieurs maladies neurologiques, notamment l'ataxie cérébelleuse, l'autisme et la schizophrénie. Différentes subdivisions structurelles du cervelet se sont avérées corrélées à des pathologies différentes. Pour mieux comprendre ces pathologies, il est utile de parcellaire automatiquement le cervelet avec la plus grande fidélité possible. Dans cet article, nous avons coordonné avec des collègues du monde entier pour évaluer des algorithmes automatisés de parcellisation du cervelet sur deux cohortes cliniques montrant que le cervelet peut être fragmenté avec une grande précision par des méthodes plus récentes. Nous caractérisons ces différentes méthodes à quatre niveaux hiérarchiques: grossier (c.-à-d. Cervelet entier et structures grossières), lobe, subdivisions du vermis et lobules. En raison du nombre d'étiquettes, de la hiérarchie des étiquettes, du nombre d'algorithmes et des deux cohortes, nous avons limité nos analyses à la mesure de chevauchement des dés. Dans ces conditions, les méthodes basées sur l'apprentissage automatique fournissent un ensemble de stratégies efficaces et offrent des parcellations de haut niveau dans les deux cohortes, surpassant les travaux antérieurs dans le domaine. En conjonction avec le calcul de la somme des rangs, nous avons identifié une méthode gagnante globale.
