研究使用DWI图像中的纹理分析和机器学习方法区分MS活跃病变与非活跃病变的可行性

科学领域:

• 放射学 放射学是一门学科.
• 神经成像是一种神经成像.
• 机器学习 机器学习

背景情况:

• 使用基于加多的对比剂 (GBCA) 的磁共振成像 (MRI) 是活跃多发性硬化症 (MS) 病变检测的标准.
• 有关长期GBCA在人体中的积累存在担忧.
• 需要使用替代方法来表征MS病变.

研究的目的:

• 在扩散权重成像 (DWI) 中研究纹理分析与机器学习相结合.
• 在不使用GBCAs的情况下,将活跃的MS病变与非活跃的MS病变进行区分.

主要方法:

• 开发了一个图像处理管道,用于DWI损伤细分和定量化.
• 提取了纹理特征,并应用了两阶段的特征减少 (t-test,PCA,SFS,SBS,ReliefF).
• 使用五个分类器 (LR,SVM,DT,KNN,LDA) 进行5倍交叉验证.

主要成果:

• 分析了来自34名患者的255个多发性硬化病变.
• 确定了63个统计学意义上的纹理特征 (P<0.05),区分活跃/非活跃的病变.
• 使用SVM和PCA实现了最高性能:准确度为0.960,特异性/精度为1.0,灵敏度为0.913,AUC为0.957.

结论:

• DWI纹理分析和机器学习模型准确地区分了活跃的和不活跃的MS病变.
• 这种方法为早期MS诊断和监测提供了有价值的临床数据.
• 为MS病变的特征提供了一个无GBCA的方法.