用PET图像进行皮质表面分析,以诊断焦点皮质发育不良
Eric Jacob Bacon1,2, Chaoyang Jin1, Dianning He1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.
Heliyon
|January 8, 2024
概括
对皮层厚度,旋转和沟深度的定量分析有助于识别焦点皮层发育不良 (FCD) 中的发性区域. 皮层厚度在定位与FCD相关的发作焦点方面显示了最高的准确性.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算解剖学的计算解剖学
背景情况:
- 焦点皮层发育不良 (FCD) 是一种神经疾病,其特点是大脑发育异常,导致发作.
- 传统的对大脑结构的视觉检查往往不足以准确地定位发性区域 (EZ).
- 定量皮质表面分析提供了一种更客观的方法来评估FCD中的结构异常.
研究的目的:
- 评估定量皮质表面测量 (厚度,旋转,深) 在识别FCD患者的EZ时的有效性.
- 为了比较用于FCD定位的不同表面测量的诊断性能.
- 开发一种机器学习模型,用于使用皮层形态特征进行个人FCD预测.
主要方法:
- 招募了22名FCD患者和20名健康对照 (HC).
- 获得的T1加权和PET图像 (PET-MRI用于FCD,PET-CT用于HC).
- 使用CAT12计算皮层厚度,化指数和深度;执行基于集群和ROI的分析;训练了一种SVM分类器,使用交叉验证.
主要成果:
- 集群分析以皮层厚度 (54.5%) 的最高准确度定位了EZ,其次是层深度 (40.9%) 和旋转 (13.6%).
- 在确认的EZ和皮层厚度集群之间发现了中等一致性 (Kappa=0.6).
- SVM分类器在皮层厚度方面实现了95.5%的准确性,在深度方面达到86.0%,在化方面达到81.5%.
结论:
- 使用PET数据进行定量皮质厚度分析,在FCD中定位异常EZ集群方面优于状深度和旋转.
- 在许多大脑区域的FCD患者和健康对照者之间,皮层表面测量存在显著差异.
- 将机器学习与皮质形态特征集成,可以实现FCD的可行个体预测.
