NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AmaçlarParkinson hastalığının (PD) değerlendirilmesinde difüzyon-tensör görüntüleme türevli metriklerin kullanımına ilişkin literatür tartışmalıdır. Bu çalışma, PD ile ilişkili difüzyonkurtoz ölçümlerindeki değişiklikleri tespit etmek için derin öğrenme temelli bir yöntemin fizibilitesini değerlendirmeye çalıştı. MetodlarPD ve 77 sağlıklı kontrole sahip toplam 68 hasta tarayıcı-A (3 T Skyra) (DATASET-1) kullanılarak tarandı. Bu arada, hem tarayıcı-A hem de ek tarayıcı-B (3 T Prisma) (DATASET-2) ile ek beş sağlıklı gönüllü tarandı. DATASET-2'nin difüzyon kurtoz görüntüleme (DKI)'si, DATASET-1'e kıyasla ekstra bir b kabuğuna sahipti. Buna ek olarak, bir 3D-dönüşümlü sinir ağı (CNN), tarayıcı-A'nın skaler ölçümlerinin kalitesini tarayıcı-B'ye benzer bir seviyeye uyumlu hale getirmek için DATASET-2'den eğitildi. Tüm beyin eşleşmemiş t testi ve Tract Tabanlı Mekansal İstatistikler (TBSS) sırasıyla model-uyumlu yöntem ve CNN tabanlı yöntemi kullanarak PD ve kontrol grupları arasındaki farkları doğrulamak için gerçekleştirildi. Klinik değerlendirmeler ve DKI sonuçları arasındaki korelasyonu daha da netleştirdik.SonuçlarPD grubunda sol substantia nigra (SN) 'da ortalama difüzivite (MD) artışı bulundu. Sağ SN'de fraksiyonel anizotropi (FA) ve ortalama kurtoz (MK) değerleri Hoehn ve Yahr (H&Y) ölçekleri ile negatif korelasyon gösterdi. Putamen'de (Put) FA değerleri H&Y ölçekleri ile olumlu bir şekilde ilişkiliydi. Bu bulguların sadece derin öğrenme yöntemiyle gözlemlendiğini belirtmekte fayda var. Ne bir grup farkı ne de SN veya striatum klinik değerlendirmeler ile korelasyon geleneksel model-uyumlu yöntemi kullanarak önemi seviyesini aşan vardı.ConclusionsCN tabanlı yöntem DKI sağlamlığını artırır ve PD ile ilişkili görüntüleme özelliklerini keşfetmek için yardımcı olabilir.
Özgün kaynak özetini okuyun
ObjectivesThe literature regarding the use of diffusion-tensor imaging-derived metrics in the evaluation of Parkinson's disease (PD) is controversial. This study attempted to assess the feasibility of a deep-learning-based method for detecting alterations in diffusion kurtosis measurements associated with PD.MethodsA total of 68 patients with PD and 77 healthy controls were scanned using scanner-A (3 T Skyra) (DATASET-1). Meanwhile, an additional five healthy volunteers were scanned with both scanner-A and an additional scanner-B (3 T Prisma) (DATASET-2). Diffusion kurtosis imaging (DKI) of DATASET-2 had an extra b shell compared to DATASET-1. In addition, a 3D-convolutional neural network (CNN) was trained from DATASET-2 to harmonize the quality of scalar measures of scanner-A to a similar level as scanner-B. Whole-brain unpaired t test and Tract-Based Spatial Statistics (TBSS) were performed to validate the differences between the PD and control groups using the model-fitting method and CNN-based method, respectively. We further clarified the correlation between clinical assessments and DKI results.ResultsAn increase in mean diffusivity (MD) was found in the left substantia nigra (SN) in the PD group. In the right SN, fractional anisotropy (FA) and mean kurtosis (MK) values were negatively correlated with Hoehn and Yahr (H&Y) scales. In the putamen (Put), FA values were positively correlated with the H&Y scales. It is worth noting that these findings were only observed with the deep learning method. There was neither a group difference nor a correlation with clinical assessments in the SN or striatum exceeding the significance level using the conventional model-fitting method.ConclusionsThe CNN-based method improves the robustness of DKI and can help to explore PD-associated imaging features.
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.