Controls-based denoising (CODE): Evaluation anhand von T1-MRT von 3058 Patienten und Probanden und Erweiterung der Methode (gewichtete Muster nicht-pathologischer Varianz mit analytischer, regularisierbarer Lösung für die Optimalgewichte)

Ziel/Aim Kürzlich wurde controls-based-denoising (CODE) vorgestellt: Muster nicht-pathologischer Varianz werden in einem Kontrollkollektiv identifiziert und aus Patientendaten entfernt, um pathologieassoziierte Muster mittels pattern expression scores (PES) genauer zu quantifizieren. Mit CODE konnte die AD (Alzheimer’s disease) – Konversionsprädiktion mit FDG-PET verbessert werden ([1]). Ziel war die Evaluierung von CODE mit einem großen, multizentrischen MRT-Kollektiv und die Erweiterung der Methode durch Einführung von Gewichtungen der zu entfernenden Varianzmuster.

Methodik/Methods T1-MRT von 1832 gesunden Probanden (HC) und 1226 Patienten (AD; Leichte kognitive Störung, MCI; Autismus; Schizophrenie, SCZ; Parkinson; uni- und bipolare Depression, UD/BD) wurden mit voxel-basierter Morphometrie (VBM) analysiert. Klassifikationen mit PES wurden mit support-vector machine (SVM) verglichen. Eine analytische, regularisierbare Lösung für Optimalgewichte wurde entwickelt.

Ergebnisse/Results Mit CODE und PES konnten oft bessere Ergebnisse als mit SVM erzielt werden, z.B. MCI-Konverter vs. MCI-stabil (PES ohne CODE AUC 0,75, mit CODE 0,82, mit SVM 0,76) und SCZ vs. UD (PES mit CODE AUC 0,98, SVM 0,88). Eine Verbesserung durch Gewichtsoptimierung ist möglich, erfordert jedoch ein HC-Trainingskollektiv. Oft war es besser, auf Gewichtungen zu verzichten und alle HC zur Berechnung der Varianzmuster zu nutzen.

Schlussfolgerungen/Conclusions CODE verbessert die Mustererkennung auch bei VBM-analysierten MRT-Daten der häufigsten neurodegenerativen und neuropsychiatrischen Erkrankungen und ist somit multimodal anwendbar. CODE kann etablierten machine-learning Algorithmen überlegen sein, die oft nicht auf das Training mit einem reinen HC-Kollektiv ausgelegt sind. Es gibt eine analytische Lösung für die Optimalgewichte der nicht-pathologischen Muster.

• Literatur/References

• 1 Blum D. , et al. Controls-based denoising, a new approach for medical image analysis, improves prediction of conversion to Alzheimer’s disease with FDG-PET. EJNMMI. 2019

Publication History

Article published online:
08 April 2021