Regional Prediction of Tissue Fate in Acute Ischemic Stroke

Get Started. It's Free
or sign up with your email address
Regional Prediction of Tissue Fate in Acute Ischemic Stroke by 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