Reliability of an automatic classifier for brain enlarged perivascular spaces burden and comparison with human performance

DSpace/Manakin Repository

Reliability of an automatic classifier for brain enlarged perivascular spaces burden and comparison with human performance

Show full item record

Title: Reliability of an automatic classifier for brain enlarged perivascular spaces burden and comparison with human performance
Author: González Castro, Víctor;Valdés Hernández, María del C.;Chappell, Francesca M.;Armitage, Paul A.;Makin, Stephen;Wardlaw, Joanna M.
xmlui.dri2xhtml.METS-1.0.item-contributor: Escuela de Ingenierias Industrial e Informatica
xmlui.dri2xhtml.METS-1.0.item-area: Ingenieria de Sistemas y Automatica
Abstract: 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.
xmlui.dri2xhtml.METS-1.0.item-desfisica: pp. 1465-1481
xmlui.dri2xhtml.METS-1.0.item-peerreviewed: SI
Publisher: Portland Press
xmlui.dri2xhtml.METS-1.0.item-citation: Clinical Science, 2017, vol.13, n. 131,
URI: http://hdl.handle.net/10612/10717
Date: 2017-07
xmlui.dri2xhtml.METS-1.0.item-tipo: info:eu-repo/semantics/article
Subject: Medicina. Salud
xmlui.dri2xhtml.METS-1.0.item-palclave: Enfermedad de los pequeños vasos
Hipertensidades de la materia blanca
Alzheimer
Clasificación de texturas
Segmentación
Imágenes
Demencia
Modelos
Cadenas de Markov
Exportar referencia a Refworks:


Files in this item

Files Size Format View Description
Reliability of ... lassifier for brain---.pdf 1.690Mb PDF View/Open PDF editor (open access)

This item appears in the following Collection(s)

Show full item record

Search DSpace


Advanced Search

Browse

My Account

Statistics