NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Thalamik değişiklikler Alzheimer hastalığı, Parkinson hastalığı ve multipl skleroz da dahil olmak üzere birçok nörolojik bozuklukta ortaya çıkar. Hareket bozukluklarında semptom şiddetini iyileştirmek için rutin müdahaleler, örneğin, genellikle diensefalik çekirdeklere cerrahi veya derin beyin stimülasyonundan oluşur. Bu nedenle, gri madde talamik alt bölgelerinin doğru tanımlanması en üst klinik öneme sahiptir. MRI, tek bir tarama seansından anatominin farklı görünümlerini sağladığı için yapısal segmentasyon için son derece uygundur. Potansiyel olarak mevcut olan birkaç karşıtlıkla birlikte, çok yönlü olarak çalışabilen yeni görüntü segmentasyon teknikleri geliştirmek de giderek önem kazanmaktadır. Bu vesileyle, T1 ağırlıklı, T2* ağırlıklı ve niceliksel duyarlılık haritalama (QSM) bilgilerini kullanarak büyük talamik alt nükleer grupların otomatik segmentasyonu için değerlendirdiğimiz çok modlu verilerle kullanım için yeni bir segmentasyon yöntemi önermektedir. Önerilen yöntem dört adımdan oluşur: Yüksek tekrarlı görüntü eş kayıt, ortalama eğitim-veri şablonunda manuel segmentasyon, desen tanıma için denetimli öğrenme ve çözümü rafine etmek için daha fazla mekansal kısıtlamalar uygulayan son bir dışbükey optimizasyon adımı. Bu, standart Morel atlas tabanlı yaklaşımdan daha fazla manuel segmentasyon ile daha fazla anlaşmada çözümlere yol açtı. Ayrıca, çok kontrastlı yaklaşımın segmentasyon performanslarını artırdığını gösteriyoruz. Daha sonra, eğitim-template konturlarını kullanan önceki bilgilerin konveks segmentasyon doğruluğunu ve sağlamlığını daha da geliştirip geliştiremeyeceğini araştırdık, bu da tek konularda son derece hassas çok kontrastlı segmentasyonlara yol açtı. Bu yaklaşım, çoğu 3D görüntüleme veri türüne ve tek taramalarda veya çok konulu şablonlarda fark edilebilen herhangi bir ilgi alanına genişletilebilir.
Özgün kaynak özetini okuyun
Thalamic alterations occur in many neurological disorders including Alzheimer's disease, Parkinson's disease and multiple sclerosis. Routine interventions to improve symptom severity in movement disorders, for example, often consist of surgery or deep brain stimulation to diencephalic nuclei. Therefore, accurate delineation of grey matter thalamic subregions is of the upmost clinical importance. MRI is highly appropriate for structural segmentation as it provides different views of the anatomy from a single scanning session. Though with several contrasts potentially available, it is also of increasing importance to develop new image segmentation techniques that can operate multi-spectrally. We hereby propose a new segmentation method for use with multi-modality data, which we evaluated for automated segmentation of major thalamic subnuclear groups using T1 -weighted, T2* -weighted and quantitative susceptibility mapping (QSM) information. The proposed method consists of four steps: Highly iterative image co-registration, manual segmentation on the average training-data template, supervised learning for pattern recognition, and a final convex optimisation step imposing further spatial constraints to refine the solution. This led to solutions in greater agreement with manual segmentation than the standard Morel atlas based approach. Furthermore, we show that the multi-contrast approach boosts segmentation performances. We then investigated whether prior knowledge using the training-template contours could further improve convex segmentation accuracy and robustness, which led to highly precise multi-contrast segmentations in single subjects. This approach can be extended to most 3D imaging data types and any region of interest discernible in single scans or multi-subject templates.
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.