日本語AIでPubMedを検索
ラットモデルにおける拡散テンソルメトリクスを用いた機械学習ベースの虚血性半月板のセグメンテーション
Machine learning-based segmentation of ischemic penumbra by using diffusion tensor metrics in a rat model.
PMID: 32664906 DOI: 10.1186/s12929-020-00672-9.
抄録
背景:
最近の臨床試験では、脳卒中発症後6～24時間後の大動脈内血栓摘出術が有望であることが示されている。救済可能な組織を迅速かつ正確に同定することは、脳卒中管理を成功させるために不可欠である。本研究では、拡散テンソルイメージング（DTI）由来の指標を用いて、虚血性ペンブラ（IP）と梗塞コア（IC）を区別するための機械学習（ML）アプローチの実現可能性を検討した。
BACKGROUND: Recent trials have shown promise in intra-arterial thrombectomy after the first 6-24 h of stroke onset. Quick and precise identification of the salvageable tissue is essential for successful stroke management. In this study, we examined the feasibility of machine learning (ML) approaches for differentiating the ischemic penumbra (IP) from the infarct core (IC) by using diffusion tensor imaging (DTI)-derived metrics.
方法:
永久中大脳動脈閉塞（pMCAO）を受けた14匹の雄性ラットを対象とした。7T磁気共鳴イメージングを用いて、フラクショナル異方性、純粋異方性、拡散マグニチュード、平均拡散率（MD）、軸方向拡散率、放射状拡散率などのDTI指標を導出した。MDと相対脳血流マップは、pMCAO後0.5時間後のIPとICを定義するためにcoregisterされた。脳卒中半球をIP、IC、正常組織(NT)に分類するために、DTI由来の指標に基づいた2レベル分類器を提案した。分類性能はleave-one-outクロスバリデーションを用いて評価した。
METHODS: Fourteen male rats subjected to permanent middle cerebral artery occlusion (pMCAO) were included in this study. Using a 7 T magnetic resonance imaging, DTI metrics such as fractional anisotropy, pure anisotropy, diffusion magnitude, mean diffusivity (MD), axial diffusivity, and radial diffusivity were derived. The MD and relative cerebral blood flow maps were coregistered to define the IP and IC at 0.5 h after pMCAO. A 2-level classifier was proposed based on DTI-derived metrics to classify stroke hemispheres into the IP, IC, and normal tissue (NT). The classification performance was evaluated using leave-one-out cross validation.
結果:
提案した2レベル分類器は、0.99から1.00の間の受信機動作特性曲線下面積(AUC)と96.3から96.7%の間の精度で、ICと非ICを正確にセグメント化することができる。学習データについては、非ICをさらにIPとNTに分類し、AUCは0.96～0.98、精度は95.0～95.9%である。試験データセットでは，ICとnon-ICの分類精度は96.0±2.3%であったのに対し，IPとNTの分類精度は80.1±8.0%であった．全体として、脳卒中半球の3つの組織サブタイプ（IP, IC, NT）の分類精度は88.1±6.7%であり、病変体積の推定値は基底値と有意差はなかった（それぞれp=.56, .94, .78）。
RESULTS: The IC and non-IC can be accurately segmented by the proposed 2-level classifier with an area under the receiver operating characteristic curve (AUC) between 0.99 and 1.00, and with accuracies between 96.3 and 96.7%. For the training dataset, the non-IC can be further classified into the IP and NT with an AUC between 0.96 and 0.98, and with accuracies between 95.0 and 95.9%. For the testing dataset, the classification accuracy for IC and non-IC was 96.0 ± 2.3% whereas for IP and NT, it was 80.1 ± 8.0%. Overall, we achieved the accuracy of 88.1 ± 6.7% for classifying three tissue subtypes (IP, IC, and NT) in the stroke hemisphere and the estimated lesion volumes were not significantly different from those of the ground truth (p = .56, .94, and .78, respectively).
結論:
我々の手法は、灌流拡散ミスマッチを用いた従来のアプローチと同等の結果を得た。我々は、単一のDTIシーケンスとMLアルゴリズムを併用することで、虚血組織をICとIPに二分することが可能であることを示唆している。
CONCLUSIONS: Our method achieved comparable results to the conventional approach using perfusion-diffusion mismatch. We suggest that a single DTI sequence along with ML algorithms is capable of dichotomizing ischemic tissue into the IC and IP.