使用DTI和基于堆的整体机器学习框架,估计动物中的半阴影体积
Duen-Pang Kuo1,2,3, Yung-Chieh Chen4,5,6, Yi-Tien Li2,7,8
1Department of Medical Imaging, Taipei Medical University Hospital, No.250, Wu Hsing Street, Taipei, Taiwan.
European radiology experimental
|May 14, 2024
概括
扩散张力成像 (DTI) 与机器学习 (ML) 结合,可以在没有对比剂的情况下估计半体积 (PV). 这种基于DTI的ML模型为患有功能障碍或 perfusion map失效的患者提供了有价值的替代方案.
科学领域:
- 神经成像是一种神经成像.
- 生物医学工程 生物医学工程
- 机器学习在医学中的应用
背景情况:
- 调查扩散张力成像 (DTI) 用于识别半体积 (PV).
- 将基于DTI的方法与标准的加多所需的 perfusion-diffusion mismatch (PDM) 进行比较.
- 使用基于堆的整体机器学习 (ML) 方法,增强可解释性.
研究的目的:
- 评估DTI指标在估计PV中的有效性.
- 将ML估计的PV与PDM定义的PV进行比较.
- 评估基于DTI的ML模型的可解释性和临床相关性.
主要方法:
- 在16只雄性老鼠中,中脑动脉封闭.
- 半阴影识别使用PDM在30分钟和90分钟后的遮蔽.
- 通过使用11个DTI指标和14个基于距离的特征,通过基于堆的合集技术集成的5个voxel-wise ML模型进行训练.
主要成果:
- 通过ML估计的PV (106.4mL) 与PDM定义的PV (102.0mL) 有很高的一致性.
- 体积相似性为0.88,皮尔森相关性为0.93 (p < 0.001),而布兰德-阿尔特曼偏差为2.5毫升.
- 平均扩散率成为PV预测中最重要的特征.
结论:
- DTI指标和基于堆的集体ML可以准确地估计PV,与PDM相比.
- 基于DTI的ML模型估计没有对比剂的PV,有利于患有功能障碍的患者.
- 改进的模型可解释性增加了临床相关性,保证了人类研究的验证.
