Optimising the frangi filter : SCALR - A scale prediction model to enhance perivascular space Quantification using machine learning
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Resumen en inglés
Growing interest in perivascular spaces (PVS) quantification has highlighted the need for accurate and robust methods, particularly in magnetic resonance imaging (MRI). The Frangi filter is widely used to enhance tubular structures, including PVS, however its performance is highly dependent on scale selection. In the context of computer vision, ”scale” refers to the size of the structures or features being detected by a filter or detector. In multiscale filtering, multiple scales are used to capture structures of varying sizes, and an optimal scale corresponds to the size at which a structure of interest is best enhanced or detected. Despite advancements in multiscale filtering techniques, determining an optimal scale for PVS quantification remains an open challenge. We introduce SCALR, a machine learning-based approach for scale selection in Frangi filtering to improve PVS quantification. A linear regression model, trained on synthetic and real MRI data, is used to infer an optimal scale based on a range of noise levels and voxel sizes across various imaging conditions. The findings indicate that SCALR enhances PVS detection, particularly in low signal-to-noise ratio MRI. By automating scale selection, SCALR increases the reliability of quantification and provides a scalable solution for integrating Frangi-based PVS analysis into clinical and research workflows.
Resumen en español
El artículo presenta SCALR, un enfoque basado en aprendizaje automático para la selección de escalas en el filtrado de Frangi, con el objetivo de mejorar la cuantificación de los espacios perivasculares (PVS) en imágenes de resonancia magnética (MRI). Los PVS son estructuras tubulares que circundan pequeñas arterias y venas en el cerebro, y su cuantificación es esencial para el estudio de enfermedades neurodegenerativas. Sin embargo, el rendimiento del filtro de Frangi depende en gran medida de la selección de la escala, un proceso que suele ser manual y puede llevar a inconsistencias. SCALR utiliza un modelo de regresión lineal, entrenado con datos sintéticos y reales de MRI, para inferir una escala óptima que se ajusta a diferentes niveles de ruido y tamaños de vóxel. Los resultados muestran que SCALR mejora significativamente la precisión de detección, especialmente en imágenes con bajo cociente señal-ruido, al eliminar la necesidad de ajustes por prueba y error. Esto optimiza el proceso de cuantificación de PVS, ahorrando tiempo y recursos en flujos de trabajo clínicos y de investigación. El estudio sugiere que, aunque SCALR fue desarrollado para PVS, su metodología podría aplicarse a la segmentación de otras estructuras vasculares en imágenes médicas, ampliando así su aplicabilidad en el diagnóstico y análisis de condiciones neurológicas.