这篇文章需要订阅查看全文。如果你有一个订阅你可以用下面的登录表单查看文章。这篇文章也可以购买。
文摘
背景和目标诊断放射学的新边疆的包容machine-assisted支持工具,促进细微病变的识别通常人眼不可见。结构神经影像中扮演着重要的角色在癫痫患者病变的鉴别,通常配合癫痫的焦点。在这项研究中,我们探索潜在的卷积神经网络(CNN)来确定偏侧性癫痫发作的癫痫患者使用t1加权结构核磁共振扫描作为输入。
方法使用数据集的359例颞叶癫痫(框架)从7外科中心,我们测试了基于t1影像的CNN能否扣押一侧进行分类整合与临床团队共识。CNN与随机模型(与机会)和海马体积逻辑回归(比较与当前临床可用的措施)。此外,我们利用一个CNN特性可视化技术来识别区域用于分类的病人。
结果在100年运行,CNN模型整合了临床医生偏侧性平均78% (SD = 5.1%)表现最好的运行模式实现89%的一致性。CNN优于随机模型的100%(51.7%)的平均一致性运行平均提高26.2%,表现优于海马体积模型的85%(71.7%)的平均一致性运行平均提高6.25%。特征可视化地图显示,除了内侧颞叶,地区外侧颞叶,扣带、中央前回辅助分类。
讨论这些extratemporal叶特性强调全脑模型的重要性,强调地区值得临床医生在颞叶癫痫偏侧性审查。这个概念验证研究说明CNN应用于结构的MRI数据可以直观地援助clinician-led病灶定位和识别extrahippocampal区域可能需要额外的放射的注意。
证据的分类本研究二类提供证据证明耐药患者单侧颞叶癫痫、卷积神经网络算法来源于t1加权磁共振成像可以正确地分类发作一侧。
术语表
- asm=
- 抗癫痫药物;
- AUC=
- 曲线下的面积;
- 美国有线电视新闻网=
- 卷积神经网络;
- 毫升=
- 机器学习;
- MTS=
- 内侧颞硬化;
- 框架=
- 颞叶癫痫;
- VBM=
- 分布形态测量学
脚注
去首页Neurology.org/N为充分披露。资金信息和披露认为作者相关的,如果有的话,年底提供这篇文章。
提交和外部同行评议。处理编辑器是芭芭拉·Jobst副主编,医学博士,博士FAAN。
类的证据:NPub.org/coe
- 收到了2022年9月1日。
- 接受的最终形式2023年3月30日。
- 188金宝搏官网登录
