MétaCan
Menu
Retour à la cohorte
Enregistrement W2281552218 · doi:10.1016/j.nicl.2016.02.012

Application of texture analysis to DAT SPECT imaging: Relationship to clinical assessments

2016· article· en· W2281552218 sur OpenAlexafffundabout
Arman Rahmim, Yousef Salimpour, Saurabh Jain, Stephan Blinder, Ivan S. Klyuzhin, Gwenn S. Smith, Zoltán Mari, Vesna Sossi

Notice bibliographique

RevueNeuroImage Clinical · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMichael J. Fox Foundation for Parkinson's Research
Mots-clésSpect imagingDopamine transporterMontreal Cognitive AssessmentMedicinePutamenNuclear medicineUnivariateMultivariate analysisParkinson's diseaseMultivariate statisticsCognitive impairmentInternal medicineDiseaseComputer scienceDopamine

Résumé

récupéré en direct d'OpenAlex

Dopamine transporter (DAT) SPECT imaging is increasingly utilized for diagnostic purposes in suspected Parkinsonian syndromes. We performed a cross-sectional study to investigate whether assessment of texture in DAT SPECT radiotracer uptake enables enhanced correlations with severity of motor and cognitive symptoms in Parkinson's disease (PD), with the long-term goal of enabling clinical utility of DAT SPECT imaging, beyond standard diagnostic tasks, to tracking of progression in PD. Quantitative analysis in routine DAT SPECT imaging, if performed at all, has been restricted to assessment of mean regional uptake. We applied a framework wherein textural features were extracted from the images. Notably, the framework did not require registration to a common template, and worked in the subject-native space. Image analysis included registration of SPECT images onto corresponding MRI images, automatic region-of-interest (ROI) extraction on the MRI images, followed by computation of Haralick texture features. We analyzed 141 subjects from the Parkinson's Progressive Marker Initiative (PPMI) database, including 85 PD and 56 healthy controls (HC) (baseline scans with accompanying 3 T MRI images). We performed univariate and multivariate regression analyses between the quantitative metrics and different clinical measures, namely (i) the UPDRS (part III - motor) score, disease duration as measured from (ii) time of diagnosis (DD-diag.) and (iii) time of appearance of symptoms (DD-sympt.), as well as (iv) the Montreal Cognitive Assessment (MoCA) score. For conventional mean uptake analysis in the putamen, we showed significant correlations with clinical measures only when both HC and PD were included (Pearson correlation r = − 0.74, p-value < 0.001). However, this was not significant when applied to PD subjects only (r = − 0.19, p-value = 0.084), and no such correlations were observed in the caudate. By contrast, for the PD subjects, significant correlations were observed in the caudate when including texture metrics, with (i) UPDRS (p-values < 0.01), (ii) DD-diag. (p-values < 0.001), (iii) DD-sympt (p-values < 0.05), and (iv) MoCA (p-values < 0.01), while no correlations were observed for conventional analysis (p-values = 0.94, 0.34, 0.88 and 0.96, respectively). Our results demonstrated the ability to capture valuable information using advanced texture metrics from striatal DAT SPECT, enabling significant correlations of striatal DAT binding with clinical, motor and cognitive outcomes, and suggesting that textural features hold potential as biomarkers of PD severity and progression.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,482
Écart entre enseignants0,414 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations82
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNeuroImage ClinicalMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207