SU‐E‐I‐178: Spatial Analysis of PET Images Using 3D Moment Invariants (3DMI)
Notice bibliographique
Résumé
Purpose: We propose to characterize the spatial distribution of PET‐derived voxel statistics within anatomically‐defined Regions Of Interest (ROIs) as a means to characterize disease‐related changes. Methods: We used 3D moment invariants (3DMIs) to characterize the spatial distribution of PET data ([11C]Raclopride, [11C]Tetrabenazine and [18F]Fluorodopa) recorded from subjects with Parkinsonˈs Disease (PD) and healthy controls. 3DMIs are mathematical spatial descriptors designed to be invariant to scaling, translation and rotation. In fMRI studies, assessing the spatial characteristics of voxel‐based statistics has recently been shown to utilized be a powerful and sensitive method to characterize brain activation. Crucially, this allows characterization of the spatial characteristics of activation without the need to warp brain images to a common brain template. Analogously, we propose characterizing the spatial distribution of PET‐derived voxel statistics within anatomically‐defined ROIs using 3DMIs. The 3DMIs used here were a combination of terms describing spatial variance, skewness and kurtosis. Subjects also underwent MRI scans so that the T1‐weighted MRI data could be used to anatomically delineate basal ganglia ROIs to act as binary masks on the PET data. Results: 3DMIs were found to accurately describe the “3D texture” of PET images despite changes in the size and orientation of these regions across subjects. In addition, we were able to find differences in the 3DMIs of PD patients distinct from those of healthy volunteers. These changes suggest that disease‐related variations in the spatial distribution measured using PET can be quantitatively described with the proposed method Conclusions: This method shows great promise to extract additional information from PET data with a wealth of potential applications to disease diagnosis, staging, treatment assessment and more. The quantification of the observed disease‐related changes for PD subjects is currently under way.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».