| Revista: | Arquivos de Neuro-Psiquiatria |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000445638 |
| ISSN: | 0004-282X |
| Autores: | Eksi, Ziya1 Cakiroglu, Murat2 Oz, Cemil1 Aralasmak, Ayse3 Karadeli, Hasan Hüseyin4 Ozcan, Muhammed Emin5 |
| Instituciones: | 1Sakarya University, Department of Computer Engineering, Sakarya. Turquía 2Sakarya University, Department of Mechatronic Engineering, Sakarya. Turquía 3Memorial Bahçelievler Hospital, Department of Radiology, Estambul. Turquía 4Istanbul Medeniyet University, Department of Neurology, Estambul. Turquía 5Istanbul Yeni Yuzyıl University, Department of Neurology, Estambul. Turquía |
| Año: | 2020 |
| Volumen: | 78 |
| Número: | 12 |
| Paginación: | 789-796 |
| País: | Brasil |
| Idioma: | Portugués, inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en inglés | Introduction: Magnetic resonance imaging (MRI) is the most important tool for diagnosis and follow-up in multiple sclerosis (MS). The discrimination of relapsing-remitting MS (RRMS) from secondary progressive MS (SPMS) is clinically difficult, and developing the proposal presented in this study would contribute to the process. Objective: This study aimed to ensure the automatic classification of healthy controls, RRMS, and SPMS by using MR spectroscopy and machine learning methods. Methods: MR spectroscopy (MRS) was performed on a total of 91 participants, distributed into healthy controls (n=30), RRMS (n=36), and SPMS (n=25). Firstly, MRS metabolites were identified using signal processing techniques. Secondly, feature extraction was performed based on MRS Spectra. N-acetylaspartate (NAA) was the most significant metabolite in differentiating MS types. Lastly, binary classifications (healthy controls-RRMS and RRMS-SPMS) were carried out according to features obtained by the Support Vector Machine algorithm. Results: RRMS cases were differentiated from healthy controls with 85% accuracy, 90.91% sensitivity, and 77.78% specificity. RRMS and SPMS were classified with 83.33% accuracy, 81.81% sensitivity, and 85.71% specificity. Conclusions: A combined analysis of MRS and computer-aided diagnosis may be useful as a complementary imaging technique to determine MS types |
| Resumen en portugués | Introdução: A ressonância magnética é a ferramenta mais importante para o diagnóstico e acompanhamento na EM. A transição da EM recorrente-remitente (EMRR) para a EM progressiva secundária (EMPS) é clinicamente difícil e seria importante desenvolver a proposta apresentada neste estudo a fim de contribuir com o processo. Objetivo: o objetivo deste estudo foi garantir a classificação automática de grupo controle saudável, EMRR e EMPS usando a RM com espectroscopia e métodos de aprendizado de máquina. Métodos: Os exames de RM com espectroscopia foram realizados em um total de 91 amostras com grupo controle saudável (n=30), EMRR (n=36) e EMPS (n=25). Em primeiro lugar, os metabólitos da RM com espectroscopia foram identificados usando técnicas de processamento de sinal. Em segundo lugar, a extração de recursos foi realizada a partir do MRS Spectra. O NAA foi determinado como o metabólito mais significativo na diferenciação dos tipos de MS. Por fim, as classificações binárias (Healthy Control Group-RRMS e RRMS-SPMS) foram realizadas de acordo com as características obtidas por meio do algoritmo Support Vector Machine. Resultados: Os casos de EMRR e do grupo de controle saudável foram diferenciados entre si com 85% de acerto, 90,91% de sensibilidade e 77,78% de especificidade, respectivamente. A EMRR e a EMPS foram classificadas com 83,33% de acurácia, 81,81% de sensibilidade e 85,71% de especificidade, respectivamente. Conclusões: Uma análise combinada de RM com espectroscopia e abordagem de diagnóstico auxiliado por computador pode ser útil como uma técnica de imagem complementar na determinação dos tipos de EM |
| Disciplinas: | Medicina |
| Palabras clave: | Neurología, Diagnóstico, Esclerosis múltiple, Diagnóstico diferencial, Espectroscopia de resonancia magnética, Aprendizaje de máquinas |
| Keyword: | Neurology, Diagnosis, Multiple Sclerosis, Differential diagnosis, Magnetic resonance spectroscopy, Machine learning |
| Texto completo: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
