Quantifying changes on susceptibility weighted images in amyotrophic lateral sclerosis using MRI texture analysis
Notice bibliographique
Résumé
Objective: Susceptibility-weighted imaging (SWI) has been used to identify neurodegeneration in amyotrophic lateral sclerosis (ALS) through qualitative gross visual comparison of signal intensity. The aim of this study was to quantitatively identify cerebral degeneration in ALS on SWI using texture analysis. Methods: SW images were acquired from 17 ALS patients (58.4 ± 10.3 years, 13M/4F, ALSFRS-R 41.2 ± 4.1) and 18 healthy controls (56.3 ± 17.6 years, 9M/9F) at 4.7 tesla. Textures were computed within the precentral gyrus and basal ganglia and compared between patients and controls using ANCOVA with age and gender as covariates. Texture features were correlated with clinical measures in patients. Texture features found to be significantly different between patients and controls in the precentral gyrus were then used in a whole-brain 3D texture analysis. Results: The texture feature autocorrelation was significantly higher in ALS patients compared to healthy controls in the precentral gyrus and basal ganglia (p < 0.05). Autocorrelation correlated significantly with clinical measures such as disease progression rate and finger tapping speed (p < 0.05). Whole brain 3D texture analysis using autocorrelation revealed differences between ALS patients and controls within the precentral gyrus on SWI images (p < 0.001). Conclusion: Texture analysis on SWI can quantitatively identify cerebral differences between ALS patients and controls.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».