論文の概要: Classification of Radiologically Isolated Syndrome and Clinically
Isolated Syndrome with Machine-Learning Techniques
- arxiv url: http://arxiv.org/abs/2401.13301v1
- Date: Wed, 24 Jan 2024 08:49:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 15:08:10.390382
- Title: Classification of Radiologically Isolated Syndrome and Clinically
Isolated Syndrome with Machine-Learning Techniques
- Title（参考訳）: 機械学習による放射線分離症候群と臨床分離症候群の分類
- Authors: V Mato-Abad, A Labiano-Fontcuberta, S Rodriguez-Yanez, R
Garcia-Vazquez, CR Munteanu, J Andrade-Garda, A Domingo-Santos, V Galan
Sanchez-Seco, Y Aladro, ML Martinez-Gines, L Ayuso, J Benito-Leon
- Abstract要約: 多発性硬化症(MS)を示唆する無症候性白質病変の脳におけるMRIによる予期せぬ検出は、放射線学的に孤立した症候群(RIS)と命名された。
本研究の目的は, RIS 患者と CIS 患者を識別する手段として, 機械学習の分類手法を用いて形態計測指標を同定することであった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background and purpose: The unanticipated detection by magnetic resonance
imaging (MRI) in the brain of asymptomatic subjects of white matter lesions
suggestive of multiple sclerosis (MS) has been named radiologically isolated
syndrome (RIS). As the difference between early MS [i.e. clinically isolated
syndrome (CIS)] and RIS is the occurrence of a clinical event, it is logical to
improve detection of the subclinical form without interfering with MRI as there
are radiological diagnostic criteria for that. Our objective was to use
machine-learning classification methods to identify morphometric measures that
help to discriminate patients with RIS from those with CIS.
Methods: We used a multimodal 3-T MRI approach by combining MRI biomarkers
(cortical thickness, cortical and subcortical grey matter volume, and white
matter integrity) of a cohort of 17 patients with RIS and 17 patients with CIS
for single-subject level classification.
Results: The best proposed models to predict the diagnosis of CIS and RIS
were based on the Naive Bayes, Bagging and Multilayer Perceptron classifiers
using only three features: the left rostral middle frontal gyrus volume and the
fractional anisotropy values in the right amygdala and right lingual gyrus. The
Naive Bayes obtained the highest accuracy [overall classification, 0.765; area
under the receiver operating characteristic (AUROC), 0.782].
Conclusions: A machine-learning approach applied to multimodal MRI data may
differentiate between the earliest clinical expressions of MS (CIS and RIS)
with an accuracy of 78%.
Keywords: Bagging; Multilayer Perceptron; Naive Bayes classifier; clinically
isolated syndrome; diffusion tensor imaging; machine-learning; magnetic
resonance imaging; multiple sclerosis; radiologically isolated syndrome.
- Abstract（参考訳）: 背景と目的: 多発性硬化症 (MS) を示唆する無症候性白質病変の脳におけるMRIによる予期せぬ検出は, 放射線学的に孤立性症候群 (RIS) と命名された。
早期MS(すなわち臨床分離症候群(CIS))とRISの差が臨床事象の発生であるので,それに対する診断基準があるためMRIに干渉することなく,臨床症状の検出を改善することが合理的である。
本研究の目的は, RIS 患者と CIS 患者を識別する手段として, 機械学習の分類手法を使用することであった。
方法: RIS群17例, CIS群17例のMRIバイオマーカー(皮質厚, 皮質および皮質下灰白質容積, ホワイトマター整合性)を併用し, マルチモーダル3TMRIを用いた。
結果: CIS と RIS の診断に最適なモデルは,左前頭前頭回体積と右扁桃体および右舌回回における分画異方性値の3つの特徴を用いて,Naive Bayes, Bagging および Multilayer Perceptron 分類法に基づいていた。
ナイーブベイズは最高精度[全分類, 0.765; 受信機動作特性 (auroc), 0.782]を得た。
結論: マルチモーダルMRIデータに適用した機械学習アプローチは, 最初期の臨床症状 (CIS, RIS) と78%の精度で区別できる可能性がある。
キーワード:バッグ、多層パーセプトロン、ネイブベイズ分類器、臨床分離症候群、拡散テンソルイメージング、機械学習、MRI、多発性硬化症、放射線分離症候群。
関連論文リスト
- Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI [3.639043225506316]
脳MRIにおける大脳皮質再建, 登録, パーセレーション, 厚さ推定のための新しい手法であるrecon-all-clinicalを紹介した。
提案手法では,ドメインランダム化を訓練した畳み込みニューラルネットワーク(CNN)を組み合わせて,符号付き距離関数の予測を行う。
19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
論文 参考訳（メタデータ） (2024-09-05T19:52:09Z) - Analysis of clinical, dosimetric and radiomic features for predicting local failure after stereotactic radiotherapy of brain metastases in malignant melanoma [1.813829334805839]
本研究の目的は, 病変特異的な予後予測における臨床, ドシメトリー, 治療前MRIの特徴について検討することであった。
論文 参考訳（メタデータ） (2024-05-31T14:18:37Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - Exploring Kinetic Curves Features for the Classification of Benign and Malignant Breast Lesions in DCE-MRI [3.3382992386198675]
胸部良性病変と悪性病変の分類精度を高めるため, 運動曲線および放射線学的特徴の動的特性を活用することを提案する。
提案手法は,200個のDCE-MRIスキャンと298個の乳腺腫瘍を含む社内データセットを用いて評価した。
論文 参考訳（メタデータ） (2024-04-22T07:08:13Z) - GAMER-MRIL identifies Disability-Related Brain Changes in Multiple
Sclerosis [0.39809034849104935]
本稿では,全脳定量的MRI(qMRI),畳み込みニューラルネットワーク(CNN),解釈可能性法を用いた新しい総合的アプローチであるGAMER-MRILを提案する。
結果: GAMER-MRILはqMRIを用いて重症障害患者を分類し, 移動機能の完全性に重要な脳領域を同定する。
論文 参考訳（メタデータ） (2023-08-15T07:43:00Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Severity classification in cases of Collagen VI-related myopathy with
Convolutional Neural Networks and handcrafted texture features [0.34998703934432684]
コラーゲンVI関連ミオパチーにおける標的筋の分類法として3つの方法が提案されている。
最も良い結果がハイブリッドモデルで得られ、その結果、全世界での精度は93.8%となった。
論文 参考訳（メタデータ） (2022-02-28T15:09:42Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳（メタデータ） (2021-02-10T15:10:37Z) - A Convolutional Approach to Vertebrae Detection and Labelling in Whole
Spine MRI [70.04389979779195]
脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。
これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。
本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
論文 参考訳（メタデータ） (2020-07-06T09:37:12Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。