基于机器学习的人在循环中基于基于体积互波呼吸持久检查MR的半面的定量评估

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 定量分析 定量分析

背景情况:

• 半面 (HFS) 严重程度评估缺乏客观的定量措施,将其与神经血管接触 (NVC) 联系起来.
• 微血管减压是一种标准的治疗方法,但手术前的严重性评估需要改进.
• 了解NVC和HFS严重程度之间的关系对于治疗规划至关重要.

研究的目的:

• 开发和验证基于NVC的HFS严重性评估的定量方法.
• 使用先进的成像技术,建立NVC定量特征和HFS严重程度之间的相关性.
• 为HFS管理中临床决策提供一个客观的工具.

主要方法:

• 通过循环中的人类方法,从108名HFS患者的数据中开发出定量NVC特征包.
• 采用3D VIBE MR图像的互动细分来划分血管和神经结构.
• 使用提取的NVC特征训练了一个支持矢量机器模型,以分类HFS严重程度.

主要成果:

• 在细分血管 (0.905 ± 0.030) 和神经结构 (0.922 ± 0.086) 中实现了高精度.
• 包括距离,直径和比率在内的NVC功能包使HFS严重性评估能够实现,AUC为0.823 (P < .001).
• 该模型在区分重度和轻度HFS病例方面表现出显著的能力.

结论:

• 引入了一种新的定量方法,通过分析VIBE MR成像中的NVC来评估HFS严重程度.
• 开发的模型显示了增强临床决策和改善HFS患者结果的希望.
• 这种定量方法为目前对HFS严重性评估的主观方法提供了一个客观的替代方案.