A fully automated approach involving neuroimaging and deep learning for Parkinson's disease detection and severity prediction.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Üç boyutlu manyetik rezonans görüntülemenin Parkinson hastalığı gibi ilerici nörodejeneratif bozuklukların ciddiyetini tespit ettiği ve tahmin ettiği kanıtlanmıştır. Nörogörüntüleme yöntemleri ile ön işlemenin uygulanması, bu sorunların post-processing'inde hayati bir rol oynar. Teknolojinin yıllar boyunca gelişmesi, manyetik rezonans görüntüleme (MRI) üzerinde konvolüsyonel sinir ağları (CNN) gibi derin öğrenme yöntemlerinin kullanılmasını sağlamıştır. Bu çalışmada Parkinson hastalığının tespiti ve hastalık şiddetinin tahmini, FLIRT görüntü kaydı ve BET beyin dışı doku kazıyıcı ile önceden işlenmiş T1 ağırlıklı MR'lar kullanılarak 2D ve 3D CNN ile çalışılmıştır. 2D CNN için, sagittal, koronal ve eksenel düzlemlerdeki MR görüntülerinin medyan dilimleri ayrı ayrı ve kombinasyon halinde kullanıldı. Buna ek olarak, 3D CNN için tüm beyin küçültüldü. Önerilen yöntemlerin performansı göz önüne alındığında, Parkinson hastalığını tespit etmek için elde edilen en yüksek sonuçlar sırasıyla Doğruluk, F1 skoru, hassasiyet ve Geri Çağırma için 0.9620, 0.9452, 0.9407 ve 0.9536 olarak ölçüldü. Parkinson hastalığının ciddiyetini tahmin etmek için elde edilen en yüksek sonuç, 3D CNN'in R için ölçülen küçültülmüş bir tüm MR ile üç kez beslendiği ve R2'nin sırasıyla 0.9150 ve 0.8372 olarak ölçüldüğü idi. Çalışma kapsamında önerilen yöntemlerle elde edilen sonuçlar incelendiğinde, uygulanan yöntemlerin umut verici bir performans sağladığı gözlemlenmiştir.

Özgün kaynak özetini okuyun

Three-dimensional magnetic resonance imaging has been proved to detect and predict the severity of progressive neurodegenerative disorders such as Parkinson's disease. The application of pre-processing with neuroimaging methods plays a vital role in post-processing for these problems. The development of technology over the years has enabled the use of deep learning methods such as convolutional neural networks (CNN) on magnetic resonance imaging (MRI) . In this study, the detection of Parkinson's disease and the prediction of disease severity were studied with 2D and 3D CNN using T1-weighted MRIs that were pre-processed with FLIRT image registration and BET non-brain tissue scraper. For 2D CNN, the median slices of the MR images in the sagittal, coronal, and axial planes were used separately and in combination. In addition, the whole brain for 3D CNN has been downsized. Considering the performance of the proposed methods, the highest results achieved for detecting Parkinson's disease were measured as 0.9620, 0.9452, 0.9407, and 0.9536 for Accuracy, F1 score, precision, and Recall, respectively. The highest result achieved for estimating the severity of Parkinson's disease was that 3D CNN was fed three times with a downsized whole MRI, which were measured for R, and R2 as 0.9150 and 0.8372, respectively. When the results obtained with the methods suggested within the scope of the study were examined, it was observed that the applied methods yielded promising performance.

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.