使用数据驱动的方法来改善脑血管疾病中的脑血流量测量,使用动态成像

科学领域:

• 神经成像和脑血管生理学
• 神经疾病的生物标志物开发
• 机器学习在医学诊断中的应用

背景情况:

• 脑血管反应 (CVR) 是大脑血液动力学的关键生物标志物,对于狭性疾病 (SOD) 的风险分层至关重要.
• 目前的CVR评估方法依赖于对侧半球的正常化,这对于双边或不确定的SOD患者来说是不够的.
• 传统的CVR正常化的局限性阻碍了复杂的脑血管疾病中精确的血液动力学评估.

研究的目的:

• 开发和验证一种新的数据驱动方法,用于使用随机森林分类器 (RFc) 规范 CVR 地图.
• 为了使双边或不确定的SOD患者可靠的CVR评估,在这种情况下,对侧面正常化是不可行的.
• 扩大CVR测量的临床实用性,超出单方面疾病限制.

主要方法:

• 对16名单边SOD患者进行了阿扎胺增强BOLD-MRI和DSC输液的回顾性分析.
• 训练3个RFc模型 (所有voxels,只有灰色物质,只有白色物质) 使用离开一次的交叉验证 (LOOCV).
• 输入特征包括DSC的Tmax,MTT,CBF和CBV;通过将预测的CVRref与基准真相中位数进行比较并评估体积分类准确性来评估模型性能.

主要成果:

• 射频频谱模型准确地预测了地面真相CVR声,中位数绝对百分比差异为12.8% (所有声),11.3% (灰质) 和9.8% (白质).
• 卷度估计的CVR减少显示出模型和基本事实之间很好的一致性,除了最低的白质值之外,没有统计学上显著的差异 (p>0.01).
• 在双边SOD案例中的试点部署证明了该方法在没有对外引用的情况下对voxel-wise CVR评估的实用性.

结论:

• 一种新的,数据驱动的RFc方法有效地使双边或不确定的SOD患者的CVR图正常化.
• 这种个性化,大脑范围的参考CVR扩展了CVR估计在复杂的脑血管情景中的应用.
• 该方法在其他血液动力学研究中具有类似的应用潜力,例如SPECT或PET成像.