Regional Prediction of Tissue Fate in Acute Ischemic Stroke

Iniziamo. È gratuito!
o registrati con il tuo indirizzo email
Regional Prediction of Tissue Fate in Acute Ischemic Stroke da Mind Map: Regional Prediction of Tissue Fate in Acute Ischemic Stroke

1. 4. ตามวิธีการของการศึกษาเราดำเนินการสุ่มตัวอย่างโดยการที่ให้ cuboid แบบ infarcted และ noninfarcted จำนวนเท่ากันในชุดฝึก

2. 1. แบบจำลองจะได้รับการประเมินโดยใช้การตรวจสอบความถูกต้องแบบ cross-one-patient-out

3. 4. ในระหว่างการตรวจสอบความถูกต้องแบบ cross-one-out จะทำการคำนวณพื้นที่ใต้เส้นโค้ง (AUC) จากเส้นโค้ง ROC สำหรับผู้ป่วยแต่ละราย

4. เป็นการทดสอบที่มีพื้นฐานจากการทดสอบแบบ Fisher-test อีกทั้งยังมีระดับความอิสระหนึ่งระดับ

4.1. เป็นเครื่องมือที่ใช้ในการพิจารณาว่าสองวิธีมีอัตราความผิดพลาดที่เปรียบเทียบได้หรือไม่

5. 7. นอกเหนือจากการรายงานค่า AUC และเส้นโค้ง ROC ถูกสร้างขึ้นสำหรับการรวมกันของภาพแต่ละภาพ (Tmax, ADC) และแบบจำลองการถดถอย (SR-KDA, LIN)

6. Experimental Setup

6.1. ข้อมูลทั่วไป

6.1.1. 1. ในการเทรนข้อมูลของ regression models เป็นการใช้ข้อมูลจากกลุ่มตัวอย่าง

6.1.2. 2. นี่ไม่ใช่กรณีของผู้ป่วยโรคหลอดเลือดสมองส่วนใหญ่ที่ปริมาตรของสมองที่แข็งแรงมากโดยดูจากภาพของ voxels

6.1.3. 3. การศึกษาล่าสุดแสดงให้เห็นว่าจำนวนที่ไม่เท่ากันของ voxels infarcted และ noninfarcted สามารถส่งผลเสียต่อประสิทธิภาพโดยรวมของระบบ [9]

6.1.4. 5. จำนวนตัวอย่างการฝึกอบรมสำหรับแต่ละชิ้นถูกกำหนดไว้ที่สูงสุด 85 cuboids ของคลาส 0 และ 85 cuboids ของ Class 1

6.1.4.1. 6. **ในทางทฤษฎี** สิ่งนี้สามารถสร้างชุดข้อมูลขนาดใหญ่ของ 170 × nbSlice × nbCases ตัวอย่างการฝึกอบรม

6.1.4.2. Class 1 = Infarcted

6.1.4.3. Class 0 = noninfarcted

6.1.5. 7. **ในทางปฏิบัติ** ในทางปฏิบัติทางผู้วิจัยได้มีการลดขนาดของ dataset ลงระหว่างกระบวนการสกัดข้อมูล เอาจำนวนขั้นต่ำที่ต้องใช้ในแต่ละ Class คือ 0 กับ 1

6.2. Cuboid Size

6.2.1. 3. ขนาดที่ทดสอบ [1]: ขยายจาก 1 × 1 ถึง 23 × 23 เนื่องจากความละเอียดของภาพแตกต่างกันไปตามชุดข้อมูลขนาดทรง ลูกบาศก์จึงถูกตั้งค่าเมื่อเทียบกับความละเอียด 1 × 1 มม. ต่อ voxel

6.2.2. 2. ในการทดลองนี้ cuboids มีขนาดเป็น: w, l มีความยาวเท่ากัน (ส่วนของ “Cuboid Sampling”)

6.2.2.1. 5. ค่าเฉลี่ย AUC และค่าเบี่ยงเบนมาตรฐานของผู้ป่วยคำนวณและใช้เป็นตัวชี้วัดประสิทธิภาพ

6.2.3. 6. พารามิเตอร์ σ, δ ของ SR-KDA ได้รับการปรับให้เหมาะสมที่สุดโดยใช้กระบวนการ leave-one-out ซึ่งเป็นการเรียกใช้การตรวจสอบความถูกต้อง(leave-one-out cross-validation) ยกเว้นผู้ป่วยที่จะทดสอบที่การทำซ้ำปัจจุบัน

6.2.4. 8. สำหรับการเปรียบเทียบขนาดcuboid (15 × 15 สำหรับ Tmax + SR-KDA, 13 × 13 สำหรับ ADC + SR-KDA, 7 × 7 สำหรับ Tmax + LIN 5 × 5 สำหรับ ADC + LIN) ตามที่รายงานในรูปที่ 3

6.2.5. 9. ผลลัพธ์ที่ได้จากวิธี regional methods ก็ถูกนำไปเปรียบเทียบกับความแม่นยำของจำลอง single-voxel-based models

6.2.5.1. 11. จากนั้นจะทำการทำนายเวกเตอร์ทั้งหมด ![VectorY](https://coggle-images.s3.amazonaws.com/5c86cc23b17fac37534ae25c-89d76620-2dbe-449f-bbf2-b43788455fa7.png 134x35) โดยการแยกมาเป็น single vector ![Y(Total)](https://coggle-images.s3.amazonaws.com/5c86cc23b17fac37534ae25c-dc8c88a2-cdda-42f5-86f4-a47520beb5e0.png 41x32) และกราฟ ROC ทั้งหมดจะคำนวณจากข้อมูลของผู้ป่วยทั้งหมด ![Y(Total)](https://coggle-images.s3.amazonaws.com/5c86cc23b17fac37534ae25c-4327579d-6064-4b43-87c1-3ab2400af431.png 41x32)

6.2.6. 10. ในการสร้างเส้นโค้ง ROC ทั้งหมด จะทำการพยากรณ์ ![Y(i)](https://coggle-images.s3.amazonaws.com/5c86cc23b17fac37534ae25c-8a1721a0-358d-4efa-ad9c-fbc1c31c2c0e.png 23x31) ซึ่งจะถูกคำนวณเป็นครั้งแรกสำหรับผู้ป่วยแต่ละรายในระหว่างการตรวจสอบความถูกต้องแบบ cross validation

6.3. McNemar and DeLong Significance Tests

6.3.1. การทดสอบของ McNemar [19] ใช้ในการตรวจสอบความแตกต่าง ระหว่าง regional model และ single-voxel-based models มีความสำคัญทางสถิติสำหรับรูปภาพสองประเภทหรือไม่

6.3.2. การทดสอบของ McNemar [19] เป็นเครื่องมือในการตรวจสอบความแตกต่างระหว่าง LIN และ SR-KDA

6.3.3. การทดสอบของ McNemar ถูกนำไปใช้เพื่อพิจารณาสมมติฐาน 2 อย่าง ของบทความนี้ได้รับการสนับสนุนจากการทดสอบนัยสำคัญทางสถิติหรือไม่

6.3.3.1. 1. การตรวจสอบการปรับปรุงประสิทธิภาพการทำงาน ระหว่าง regional cuboids และ a single voxel

6.3.3.1.1. ใช้ SR-KDA ทดสอบภาพ ADC ที่ใช้ภาพแบบ regional cuboids ขนาด 15 × 15 และที่ใช้ภาพแบบ single voxel ขนาด 1 × 1 เปรียบเทียบกับ ใช้ SR-KDA ทดสอบภาพ ADC ที่ใช้ภาพแบบ regional cuboids ขนาด 5 × 5 และที่ใช้ภาพแบบ single voxel ขนาด 1 × 1

6.3.3.2. 2. เป็นการดูผลการเปรียบเทียบระหว่าง nonlinear (SR-KDA) regression และ linear (LIN) regression มีผลต่อภาพ Tmax และ ADC หรือไม่

6.3.3.2.1. เป็นการทดสอบระหว่าง SR-KDA ที่ใช้ภาพแบบ regional cuboids ขนาด 15 × 15 cuboids และ LIN ที่ใช้ภาพแบบ single voxel ที่มีขนาด 7 × 7 สำหรับ Tmax images เปรียบเทียบกับ SR-KDA ที่ใช้ภาพแบบ regional cuboids ที่มีขนาด 13 × 13 cuboids และ LIN ที่ใช้ภาพแบบ single voxel ที่มีขนาด 5 × 5 on ADC images.

6.3.4. มีการใช้วิธี DeLong et al method[6] ในการคำนวณหาเส้นโค้งของ ROC นอกจากวิธีที่กล่าวมาข้างต้น (SR-KDA, LIN, regional, single-voxel)

6.3.4.1. สำหรับแต่ละวิธีเรายังรายงานข้อผิดพลาดมาตรฐานและระยะที่มั่นใจที่เกี่ยวข้องกับเส้นโค้ง ROC โดยใช้การทดสอบที่แน่นอนแบบ binomial

6.3.5. ส่วน software ที่ใช้ในทางสถิติ คือ MedCalc