机构名称：
¥ 1.0
摘要：背景：在磁共振成像 (MRI) 中识别活动性病变对于多发性硬化症 (MS) 的诊断和治疗计划至关重要。在施用钆基造影剂 (GBCA) 后，可以识别 MRI 上的活动性病变。然而，最近的研究报告称，重复施用 GBCA 会导致 Gd 在组织中积聚。此外，施用 GBCA 会增加医疗保健成本。因此，减少或取消用于活动性病变检测的 GBCA 施用对于提高患者安全性和降低医疗保健成本非常重要。目前，无需施用 GBCA 即可识别脑部 MRI 中的活动性病变的最先进方法利用数据密集型深度学习方法。目标：实现数据密集度较低的非线性降维 (NLDR) 方法、局部线性嵌入 (LLE) 和等距特征映射 (Isomap)，用于自动识别 MS 患者脑部 MRI 上的活动性病变，而无需施用造影剂。材料和方法：本研究中使用的多参数 MRI 数据集包括液体衰减反转恢复 (FLAIR)、T2 加权、质子密度加权以及对比前后 T1 加权图像。减影前后对比 T1 加权图像由专家标记为活动性病变 (地面真实值)。使用无监督方法 LLE 和 Isomap 将多参数脑 MR 图像重建为单个嵌入图像。在嵌入图像上识别活动性病变并将其与地面真实病变进行比较。通过计算嵌入图像中观察到的和识别出的活动性病变之间的 Dice 相似性 (DS) 指数来评估 NLDR 方法的性能。结果：LLE 和 Isomap 应用于 40 名 MS 患者，分别获得 0.74 ± 0.1 和 0.78 ± 0.09 的中位 DS 评分，优于目前最先进的方法。结论：NLDR 方法、Isomap 和 LLE 是识别非对比图像上活动性 MS 病变的可行选择，并且可能用作临床决策工具。
使用无监督机器学习自动跟踪多发性硬化症中的主动病变
主要关键词
相关文件推荐
