相关实验视频
Updated: May 28, 2025
14:45
Laser Doppler Perfusion Imaging in the Mouse Hindlimb
Published on: April 18, 2021
5.8K
基于对比增强磁共振成像的小腿肌肉 perfusion 和机器学习在外周动脉疾病中的机器学习
Bijen Khagi1, Tatiana Belousova2, Christina M Short3
1Penn State Heart and Vascular Institute, College of Medicine, Pennsylvania State University, 500 University Drive H047, Hershey, PA, 17033, USA.
Scientific reports
|February 10, 2025
概括
机器学习与对比度增强的MRI相结合,通过分析小腿肌肉输液,有效地识别了外周动脉疾病 (PAD) 患者. 这种方法还有助于评估PAD患者的疾病严重程度,运动能力和糖尿病.
科学领域:
- 医疗成像医学成像
- 心血管医学 心血管医学
- 机器学习 机器学习
背景情况:
- 周围动脉疾病 (PAD) 诊断不足,治疗不足,增加心血管风险.
- 图像对PAD识别至关重要,但将其与用于PAD检测和严重程度评估的机器学习进行整合尚未得到充分探索.
研究的目的:
- 调查机器学习与对比增强MRI (CE-MRI) 结合用于识别PAD患者的实用性.
- 评估这种综合方法在评估PAD患者疾病严重程度,运动能力和糖尿病状况方面的潜力.
主要方法:
- 56名参与者 (36名PAD患者,20名对照组) 接受了CE-MRI小腿肌肉 perfusion 扫描.
- 生成动态肌肉 perfusion 地图来量化微血管循环变化.
- 使用无监督算法和决策树分类器与机器学习一起分析输液特征并对患者进行分类.
主要成果:
- 通过CE-MRI获得的输液特征,在区分PAD患者和对照组时,获得了87.6%的F1得分.
- 低强化输液特征确定了PAD患者的运动能力较低 (67.6%F1评分) 和糖尿病患者 (70.3%F1评分).
结论:
- 通过使用决策树分类器分析的小腿肌肉 perfusion 的 CE-MRI 测量,可以将 PAD 患者与对照区分开来.
- 机器学习和CE-MRI为研究PAD和评估疾病严重程度,运动限制和糖尿病等并发症提供了有前途的方法.
