文献

J-GLOBAL ID：202002236148800795   整理番号：20A0575126

脳転移から膠芽腫を識別するための磁気共鳴イメージングにおけるマルチシーケンステクスチャパラメータに基づく機械学習の初期経験【JST・京大機械翻訳】

An initial experience of machine learning based on multi-sequence texture parameters in magnetic resonance imaging to differentiate glioblastoma from brain metastases

著者 (9件)： Tateishi Machiko (Department of Diagnostic Radiology, Graduate School of Medical Sciences, Kumamoto University, Japan) ,  Nakaura Takeshi (Department of Diagnostic Radiology, Graduate School of Medical Sciences, Kumamoto University, Japan) ,  Kitajima Mika (Department of Diagnostic Radiology, Graduate School of Medical Sciences, Kumamoto University, Japan) ,  Uetani Hiroyuki (Department of Diagnostic Radiology, Graduate School of Medical Sciences, Kumamoto University, Japan) ,  Nakagawa Masataka (Department of Diagnostic Radiology, Graduate School of Medical Sciences, Kumamoto University, Japan) ,  Inoue Taihei (Department of Diagnostic Radiology, Graduate School of Medical Sciences, Kumamoto University, Japan) ,  Kuroda Jun-ichiro (Department of Neurosurgery, Graduate School of Medical Sciences, Kumamoto University, Japan) ,  Mukasa Akitake (Department of Neurosurgery, Graduate School of Medical Sciences, Kumamoto University, Japan) ,  Yamashita Yasuyuki (Department of Diagnostic Radiology, Graduate School of Medical Sciences, Kumamoto University, Japan)
資料名： Journal of the Neurological Sciences  (Journal of the Neurological Sciences)
巻： 410  ページ： Null  発行年： 2020年 
JST資料番号： A1131A  ISSN： 0022-510X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 脳転移(METs)から膠芽腫(GB)を区別する際の従来の磁気共鳴画像(MRI)におけるテクスチャパラメータに基づく機械学習法の性能を評価する。2008年11月と2017年7月の間に実施したこの遡及的研究において,著者らは,造影3T脳MRIを受けたGB(n=73)とMETs(n=53)と診断された73名の患者を含んだ。12のヒストグラムとテクスチャパラメータをT2強調画像(T2WIs),見かけの拡散係数マップ(ADC),およびコントラスト強調T1強調画像(CE-T1WIs)で評価した。予測モデルを機械学習法のために開発し,このモデルの受信者動作特性曲線下の面積を5倍の交差検証を通して計算した。さらに,機械学習法の性能を3つのボート認証放射線学者の判断と比較した。単変量ロジスティック回帰モデルは,曲線下面積(AUC)がT2WIsの標準値(0.78)で最も高く,T2WIsの最大値(0.764),T2WIsの最小値(0.738),CE-T1WIsの最小値,およびT2WIsの平均値(0.724)を示した。サポートベクトルマシンを用いて計算したAUCは,3人の放射線科医による計算値と同等であった(0.92対0.72,p<0.01;0.92対0.73,p<0.01;0.92対0.86,p=0.096)。MRIにおける組織パラメータに基づいてMETsからGBを区別することにおいて,従来のMRIに基づく機械学習法の性能は単変量法のそれより優れており,放射線科医のそれに匹敵した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 放射線 ,  規格値 ,  *機械学習 ,  *NMRイメージング ,  ボート ,  予測モデル ,  ヒストグラム ,  認証 ,  サポートベクトルマシン ,  血中濃度-時間曲線下面積 ,  *膠芽腫
準シソーラス用語： コントラスト強調 ,  見掛の拡散係数 ,  後向き研究 ,  *脳転移 , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習 ,  テクスチャ解析 ,  神経膠芽腫 ,  脳転移 ,  マルチパラメトリックMRI

分類 (1件)： 神経系の疾患  (GN03000O)

タイトルに関連する用語 (5件)： 脳転移 ,  膠芽腫 ,  識別 ,  磁気共鳴イメージング ,  機械学習