RT info:eu-repo/semantics/article
T1 Reliability of an automatic classifier for brain enlarged perivascular spaces burden and comparison with human performance
A1 González Castro, Víctor
A1 Valdés Hernández, María del C.
A1 Chappell, Francesca M.
A1 Armitage, Paul A.
A1 Makin, Stephen
A1 Wardlaw, Joanna M.
A2 Ingenieria de Sistemas y Automatica
K1 Medicina. Salud
K1 Enfermedad de los pequeños vasos
K1 Hipertensidades de la materia blanca
K1 Enfermedad de Alzheimer
K1 Clasificación de texturas
K1 Segmentación
K1 Imágenes
K1 Demencia
K1 Modelos
K1 Cadenas de Markov
AB En el cerebro, los espacios perivasculares agrandados (PVS) se relacionan con la enfermedad de los vasos pequeños (SVD), mala cognición, inflamación e hipertensión. Proponemos un esquema totalmente automático que utiliza una máquina de vectores de soporte (SVM) para clasificar la carga de PVS en los ganglios basales (BG) como baja o alta. Evaluamos el rendimiento de tres tipos diferentes de descriptores extraídos de la región BG en imágenes de RMN ponderadas en T2: (I) estadísticas obtenidas de los coeficientes de la transformada de Wavelet, (II) patrones binarios locales y (III) bolsa de palabras visuales (BoW), descriptores basados en la caracterización de claves locales obtenidas de una rejilla densa con las características de transformación de la función de escala-invariante (SIFT). Cuando se utilizaron estos últimos, el SVM clasificador alcanzó la mejor precisión (81,16%). Lo obtenido del clasificador utilizando los descriptores del BoW se comparó con las calificaciones visuales realizadas por un neurorradiólogo experimentado (observador 1) y por un analista de imágenes entrenado (observador 2). El acuerdo y la correlación cruzada entre el clasificador y el observador 2 (κ = 0,67 (0,58 – 0,76)) fueron ligeramente más altos que entre el clasificador y el observador 1 (κ = 0,62 (0,53 – 0,72)) y entre ambos observadores (κ = 0,68 (0,61 – 0,75)). Por último, se construyeron tres modelos de regresión logística que utilizan variables clínicas como variable independiente y cada una de las clasificaciones de PVS como variable dependiente, para evaluar clínicamente lo significativas que resultan las predicciones del clasificador.  El ajuste del modelo para el clasificador era bueno (área bajo la curva (AUC) valores: 0,93 (modelo 1), 0,90 (modelo 2) y 0,92 (modelo 3)) y un poco mejor (es decir, valores de AUC: 0,02 unidades superiores) que las del modelo para el observador 2. Estos resultados sugieren que, aunque se puede mejorar, un clasificador automático para evaluar la carga de PVS de la resonancia magnética del cerebro puede proporcionar resultados clínicamente significativos cercanos a los de un observador entrenado.
PB Portland Press
YR 2019
FD 2019-05-13
LK http://hdl.handle.net/10612/10717
UL http://hdl.handle.net/10612/10717
NO Clinical Science, 2017, vol.13, n. 131,
NO pp. 1465-1481
DS BULERIA. Repositorio Institucional de la Universidad de León
RD 27-abr-2024