MRI pattern recognition in Multiple Sclerosis
MRI pattern recognition in multiple sclerosis normal-appearing brain areas.
Source
Bernstein Center for Computational Neuroscience Berlin, Charité – University Medicine, Berlin, Germany.
Abstract
OBJECTIVE:
Here, we use pattern-classification to investigate diagnostic information for multiple sclerosis (MS; relapsing-remitting type) in lesioned areas, areas of normal-appearing grey matter (NAGM), and normal-appearing white matter (NAWM) as measured by standard MR techniques.
METHODS:
A lesion mapping was carried out by an experienced neurologist for Turbo Inversion Recovery Magnitude (TIRM) images of individual subjects. Combining this mapping with templates from a neuroanatomic atlas, the TIRM images were segmented into three areas of homogenous tissue types (Lesions, NAGM, and NAWM) after spatial standardization. For each area, a linear Support Vector Machine algorithm was used in multiple local classification analyses to determine the diagnostic accuracy in separating MS patients from healthy controls based on voxel tissue intensity patterns extracted from small spherical subregions of these larger areas. To control for covariates, we also excluded group-specific biases in deformation fields as a potential source of information.
RESULTS:
Among regions containing lesions a posterior parietal WM area was maximally informative about the clinical status (96% accuracy, p<10(-13)). Cerebellar regions were maximally informative among NAGM areas (84% accuracy, p<10(-7)). A posterior brain region was maximally informative among NAWM areas (91% accuracy, p<10(-10)).
INTERPRETATION:
We identified regions indicating MS in lesioned, but also NAGM, and NAWM areas. This complements the current perception that standard MR techniques mainly capture macroscopic tissue variations due to focal lesion processes. Compared to current diagnostic guidelines for MS that define areas of diagnostic information with moderate spatial specificity, we identified hotspots of MS associated tissue alterations with high specificity defined on a millimeter scale.
- PMID:
- 21695053
- [PubMed – in process]
- PMCID: PMC3117878
Free PMC Article
Images from this publication.See all images (4) Free text
LinkOut – more resources
Pattern recognition risonanza magnetica in diverse aree del cervello sclerosi aspetto normale.
Weygandt M, Hackmack K, Pfüller C, Bellmann Strobl-J, Paolo F, Zipp F, JD Haynes.
Fonte
Bernstein Center for Computational Neuroscience Berlino, Charité – Università di Medicina, Berlino, Germania.
Astratto
OBIETTIVO:
Qui, usiamo schema di classificazione per indagare le informazioni di diagnostica per la sclerosi multipla (SM; recidivante-remittente tipo) in aree di lesione, aree di aspetto normale materia grigia (NAGM), e di aspetto normale della sostanza bianca (NAWM), misurato dalla norma MR tecniche.
METODI:
Una mappatura lesione è stata effettuata da un neurologo esperto per Turbo Inversion Recovery Magnitude (TIRM) le immagini dei singoli soggetti. Combinando questa mappatura con i modelli da un atlante neuroanatomic, le immagini sono state TIRM segmentato in tre aree di tipi di tessuto omogeneo (lesioni, NAGM e NAWM) dopo la standardizzazione spaziale. Per ogni area, un algoritmo lineare Vector Machine Support è stato utilizzato in diverse analisi di classificazione locale per determinare l’accuratezza diagnostica nel separare i pazienti con SM da controlli sani sulla base di modelli tessuto intensità voxel estratto da piccolo subregioni sferica di queste aree più grandi. Per controllare per le covariate, abbiamo anche escluso gruppi specifici pregiudizi nei campi di deformazione come una potenziale fonte di informazioni.
RISULTATI:
Tra le regioni contenenti lesioni uno posteriore zona parietale WM è stato al massimo informativo sullo stato clinico (96% di precisione, p <10 (-13)). Regioni cerebellari sono state al massimo informativo tra aree NAGM (84% di precisione, p <10 (-7)). Una regione del cervello posteriore era al massimo informativo tra aree NAWM (91% di precisione, p <10 (-10)).
INTERPRETAZIONE:
Abbiamo identificato le regioni che indicano MS in lesione, ma anche NAGM, e le aree NAWM. Ciò integra la percezione attuale che le tecniche standard di MR soprattutto catturare le variazioni del tessuto macroscopici dovuti a processi di lesione focale. Rispetto alle attuali linee guida di diagnostica per MS che definiscono le aree di informazioni diagnostiche con moderata specificità spaziale, abbiamo identificato gli hotspot di MS alterazioni dei tessuti associati con alta specificità definite su scala millimetrica.
———————-
Reconnaissance des formes d’IRM dans les zones de sclérose en plaques du cerveau d’apparence normale.
Weygandt M, Hackmack K, C Pfüller, Bellmann-J Strobl, Paul F, F Zipp, Haynes JD.
Source
Bernstein Center for Computational Neuroscience de Berlin, Charité – Médecine universitaire, Berlin, Allemagne.
Résumé
OBJECTIF:
Ici, nous utilisons modèle de classification pour enquêter sur des informations de diagnostic de sclérose en plaques (SEP; rémittente type) dans les zones lésées, des zones d’apparence normale de la matière grise (Nagm), et d’apparence normale de la matière blanche (NAWM) tel que mesuré par la norme techniques de RM.
Méthodes:
Une cartographie lésion a été réalisée par un neurologue expérimenté pour Turbo Inversion Recovery Magnitude (CRIT) des images de sujets individuels. En combinant cette cartographie avec des modèles à partir d’un atlas neuroanatomiques, les images ont été segmentées CRIT en trois zones de types de tissus homogènes (lésions, Nagm et NAWM) après normalisation spatiale. Pour chaque domaine, un algorithme de support linéaire Vector machine a été utilisée dans de multiples analyses de classification local pour déterminer la précision diagnostique à séparer les patients SEP de contrôle en santé basée sur les modèles voxel intensité de tissus extraits de petits sous-sphériques de ces grandes zones. Pour contrôler les covariables, nous avons également exclus du groupe-spécifiques dans les champs de déformation des préjugés comme une source potentielle d’information.
RÉSULTATS:
Parmi les régions contenant des lésions une zone de WM pariétal postérieur est au maximum d’information sur l’état clinique (précision de 96%, p <10 (-13)). Régions du cervelet ont été au maximum d’information entre les zones Nagm (84% de précision, p <10 (-7)). Une région du cerveau postérieur est au maximum d’information entre les zones NAWM (91% de précision, p <10 (-10)).
Interprétation:
Nous avons identifié des régions MS en indiquant lésion, mais aussi Nagm, et les zones NAWM. Cela complète la perception actuelle que les techniques standard MR essentiellement capter les variations macroscopique des tissus due à des processus lésion focale. Comparé aux recommandations actuelles de diagnostic pour MS qui définissent les zones d’informations de diagnostic avec une spécificité spatiale modérée, nous avons identifié les points chauds des altérations tissulaires associées MS avec une grande spécificité définie sur une échelle millimétrique.
