一种基于支持矢量机器的方法,用于指导用于脑PET量化的伪参考区域的选择
Chunmeng Tang1, Greet Vanderlinden1, Gwen Schroyen2
1Nuclear Medicine and Molecular Imaging, Department of Imaging and Pathology, KU Leuven, Leuven, Belgium.
概括
一种新的支持矢量机 (SVM) 方法识别了脑的伪参考区域,用于 pozitron发射断层扫描 (PET) 扫描. 这种方法减少了使用各种PET标记物的大脑成像研究的变异性.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 放射化学 放射化学是指辐射化学.
背景情况:
- 像素发射断层扫描 (PET) 成像对于研究大脑疾病至关重要.
- 在PET数据中的跨扫描和跨主体变异性可能会使分析复杂化.
- 确定可靠的伪参考区域对于定量PET分析至关重要.
研究的目的:
- 开发和验证基于支持向量机 (SVM) 的方法,用于在脑PET扫描中识别伪参考区域.
- 为了减少PET成像中的跨扫描和跨主体变异性.
- 在不同的PET标记物和患者队伍中评估SVM方法.
主要方法:
- 一个二进制的线性SVM分类器使用来自不同学科组的PET数据集进行训练.
- 伪参考地区是根据对SVM分类得分的区域贡献来确定的.
- 该方法在使用C-PiB,C-UCB-J和F-DPA-714 PET标记剂的三个队列上进行了测试.
主要成果:
- 在SVM方法中,小脑,脑干和皮下白质被始终确定为跨不同标志物和队列的伪参考区域.
- 即使对象数量减少,也观察到强大的表现.
- 已识别的区域与大脑中已知的低信号区域保持一致.
结论:
- 基于SVM的方法有效地识别了脑PET扫描的伪参考区域,而没有事先的假设.
- 这种方法提供了一种可靠的数据驱动解决方案,用于减少定量PET分析的变化.
- 该方法适用于各种PET追踪器和研究设计,增强神经成像研究.
