从T1加权MRI中提取的新型MSN-II特征,用于区分BD患者和MDD患者
Kai Sun1, Guanmao Chen2, Chunchen Liu3
1Shandong Provincial Hospital Affiliated to Shandong First Medical University, Jinan, Shandong, China; College of Medical Information and Artificial Intelligence & Central Hospital Affiliated to Shandong First Medical University, Shandong First Medical University & Shandong Academy of Medical Sciences, Jinan, Shandong, China.
放射性纹理特征,包括新的MSN_II方法,在区分双相情感障碍 (BD) 和重度抑郁障碍 (MDD) 方面表现有前途. 将这些特征与灰色物质体积 (GMV) 结合起来,显著提高了分类准确性.
科学领域:
- 神经成像是一种神经成像.
- 无线电学 (Radiomics) 是一种无线电学.
- 机器学习在精神病学中的应用
背景情况:
- 区分双相情感障碍 (BD) 和主要抑郁障碍 (MDD) 是一个重大的临床挑战.
- 准确的诊断对于有效的治疗选择和患者的结果至关重要.
研究的目的:
- 调查放射性纹理特征在BD和MDD之间进行区分的有用性.
- 评估一种新的高层MSN_II特征方法,与放射学相结合,以改进分类.
主要方法:
- 分析了来自253名受试者 (114名BD,139名MDD) 的T1加权MRI数据.
- 提取了放射学和灰色物质体积 (GMV) 特性;开发了一种新的MSN_II特性方法.
- 分类模型是使用特征组合构建的,并通过重复实验进行评估.
主要成果:
- 使用GMV和MSN_II特征的组合模型实现了最高的分类性能 (AUC = 0.896 ± 0.058,ACC = 0.831 ± 0.064).
- 在四个大脑区域的特定MSN_II特征 (GLCM_GLSZM_NGTDM) 显示了BD和MDD之间的显著差异.
结论:
- 高级MSN_II特征来自放射学提升分类性能超出了GMV特征单独.
- 拟议的MSN方法和放射学纹理特征有可能用于涉及MDD和BD的临床研究.
更多相关视频
06:26Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images SDM-PSI
Published on: November 27, 2019
09:06Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease
Published on: June 9, 2018
