NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planParkinson hastalığı (PD), yaygın bir uzun süreli nörodejeneratif hastalıktır. PD tanısı kriterleri nispeten iyi tanımlanmış olsa da, tıbbi görüntüleri kullanan mevcut teşhis prosedürleri emek yoğun ve uzmanlık gerektirendir. Bu nedenle, son derece entegre otomatik teşhis algoritmaları arzu edilir.MetodlarBu çalışmada, PD tanısı için striatum özelliklerini analiz etmek için segmentasyon, kayıt, özellik çıkarma ve makine öğrenimi dahil olmak üzere uçtan uca çok modlu bir tanı çerçevesi önermektedir. T1 ağırlıklı MRI ve 11C-CFT PET dahil olmak üzere çok modlu görüntüler, önerilen çerçeveye entegre edilmiştir. Bu yöntemin güvenilirliği, 49 PD denek ve 18 Normal (NL) denekten eşleştirilmiş görüntülerle bir veri kümesinde doğrulanır.SonuçlarPD / NL sınıflandırma görevinde umut verici bir tanı doğruluğu elde ettik. Bu arada, önerilen çerçevenin performansını doğrulamak için birkaç karşılaştırmalı deney yapıldı.ConclusionWe, (1) otomatik segmentasyonun tanı çerçevesi için doğru sonuçlar sağladığını, (2) çok modlu görüntüleri birleştiren yöntemin, tek modlu PET görüntüleri ile yöntemden daha iyi bir tahmin doğruluğu sağladığını ve (3) striatum hacminin PD tanısı ile alakasız olduğunu kanıtladı.
Özgün kaynak özetini okuyun
BackgroundParkinson's disease (PD) is a prevalent long-term neurodegenerative disease. Though the criteria of PD diagnosis are relatively well defined, current diagnostic procedures using medical images are labor-intensive and expertise-demanding. Hence, highly integrated automatic diagnostic algorithms are desirable.MethodsIn this work, we propose an end-to-end multi-modality diagnostic framework, including segmentation, registration, feature extraction and machine learning, to analyze the features of striatum for PD diagnosis. Multi-modality images, including T1-weighted MRI and 11C-CFT PET, are integrated into the proposed framework. The reliability of this method is validated on a dataset with the paired images from 49 PD subjects and 18 Normal (NL) subjects.ResultsWe obtained a promising diagnostic accuracy in the PD/NL classification task. Meanwhile, several comparative experiments were conducted to validate the performance of the proposed framework.ConclusionWe demonstrated that (1) the automatic segmentation provides accurate results for the diagnostic framework, (2) the method combining multi-modality images generates a better prediction accuracy than the method with single-modality PET images, and (3) the volume of the striatum is proved to be irrelevant to PD diagnosis.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.