SU‐E‐I‐173: Factor Analysis with Prior Information Using Projected Gradient Method — Application to 11C‐DTBZ Dynamic PET Dataset for Early Detection of Parkinsonˈs Disease
Notice bibliographique
Résumé
Purpose: To apply factor analysis technique to a sequence of 11C‐DTBZ dynamic PET images to healthy and diseased subjects in order to extract factor curves (or time activity curves) and associated factor images and develop a metric to detect extent of Parkinsonˈs disease. Methods: Philips Gemini (C) PET/CT scanner (with 4mm isotropic voxels) is used to collect a dynamic dataset consisting of a time sequence of 16 frames (with unequal temporal spacing) of the brain from healthy and diseased subjects. Several image preprocessing techniques (e.g. noise reduction using singular value decomposition, voxel‐averaging) are used on these dynamic datasets prior to implementing factor analysis using projected gradient method in the framework of non‐negative matrix factorization to extract physiologically meaningful structures. A priori information (region‐of‐interest based time activity curves) is used to warm start the optimization process in order to reduce the number of possible solutions. Results: The factor analysis technique separates each dynamic dataset into two time‐dynamic factors — one factor represents the striatum (directly related to the disease) while the other factor represents the non‐striatum tissues. The factor curves and images related to the former show clear difference in the tracer uptake among the healthy and diseased subjects. Our metric, which relies on such difference, indicates that the tracer uptake in striatum tissue for the healthy subject is roughly four times higher than that of the diseased subject. Conclusions: This study suggests that the technique can decompose large dynamic datasets into parts‐based images (or volumes) that represent the underlying physiological structures, and has the potential to significantly aid in the review process for evaluating dynamic datasets by clinicians. The technique is not limited to dynamic PET images and can be applied to any sequence of dynamic images.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».