Application of Texture Analysis in Diagnosis of Multiple Sclerosis by Magnetic Resonance Imaging
Notice bibliographique
Résumé
INTRODUCTION: Visual inspection by magnetic resonance (MR) images cannot detect microscopic tissue changes occurring in MS in normal appearing white matter (NAWM) and may be perceived by the human eye as having the same texture as normal white matter (NWM). The aim of the study was to evaluate computer aided diagnosis (CAD) system using texture analysis (TA) in MR images to improve accuracy in identification of subtle differences in brain tissue structure. MATERIAL & METHODS: The MR image database comprised 50 MS patients and 50 healthy subjects. Up to 270 statistical texture features extract as descriptors for each region of interest. The feature reduction methods used were the Fisher method, the lowest probability of classification error and average correlation coefficients (POE+ACC) method and the fusion Fisher plus the POE+ACC (FFPA) to select the best, most effective features to differentiate between MS lesions, NWM and NAWM. The features parameters were used for texture analysis with principle component analysis (PCA) and linear discriminant analysis (LDA). Then first nearest-neighbour (1-NN) classifier was used for features resulting from PCA and LDA. Receiver operating characteristic (ROC) curve analysis was used to examine the performance of TA methods. RESULTS: The highest performance for discrimination between MS lesions, NAWM and NWM was recorded for FFPA feature parameters using LDA; this method showed 100% sensitivity, specificity and accuracy and an area of Az=1 under the ROC curve. CONCLUSION: TA is a reliable method with the potential for effective use in MR imaging for the diagnosis and prediction of MS.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».