使用机器学习方法对脑病变进行分类,并采用横截面ADC值动态

科学领域:

• 神经成像是一种神经成像.
• 放射学 放射学是一门学科.
• 机器学习在医学中的应用

背景情况:

• 扩散加权成像 (DWI) 和明显扩散系数 (ADC) 值对于评估大脑病理至关重要.
• 目前使用ADC值分析环增强病变 (REL) 的方法存在局限性.
• 需要对REL的ADC地图评估进行标准化.

研究的目的:

• 开发一种图像分析方法,用于识别REL,而不考虑绝对ADC值或定义的感兴趣区域.
• 评估一种新的兴趣线 (LOI) 方法,用于ADC地图分析,以区分大脑瘤与质母细胞瘤 (GBM).

主要方法:

• 在ADC地图上标记了一条兴趣线 (LOI),以涵盖RELs的所有组件.
• 机器学习算法 (k-NN和SVM与高斯内核) 用于分析LOI数据.
• 选择参数的诊断性能使用这些模型进行了评估.

主要成果:

• 该k-NN模型实现了80%的腹的正确分类和100%的GBM.
• SVM模型在区分和GBM时也产生了类似的高精度.
• 对LOI的评估表明了显著的诊断能力.

结论:

• 拟议的LOI方法提供了一种新的,标准化的方法来评估各种REL中的ADC地图.
• 这种技术可以改善大脑病理的非侵入性评估和差异化.
• 建议进一步利用ADC在神经瘤学和传染病中的价值潜力.