卷积神经网络算法来确定偏侧性癫痫患者癫痫发作:理论水平的研究

背景和目的:诊断放射学的新边疆的包容machine-assisted支持工具,促进细微病变的识别通常人眼不可见。结构神经影像中扮演着重要的角色在癫痫患者病变的鉴别,通常配合癫痫的焦点。这里我们探索潜在的卷积神经网络(CNN)来确定偏侧性癫痫发作的癫痫患者使用t1加权结构核磁共振扫描作为输入。

方法:使用数据集的359例颞叶癫痫(框架)从7外科中心,我们测试了基于t1影像的CNN能否扣押一侧进行分类整合与临床团队共识。CNN与随机模型(相比机会)和海马体积逻辑回归(目前clinically-available措施的比较)。此外,我们利用一个CNN特性可视化技术来识别区域用于分类的病人。

结果:在100年运行,CNN模型整合了临床医生偏侧性平均78% (SD = 5.1%)表现最佳的运行模式实现89%的一致性。CNN优于随机模型的100%(51.7%)的平均一致性运行平均提高26.2%,表现优于海马体积模型的85%(71.7%)的平均一致性运行平均提高6.25%。特征可视化地图显示,除了内侧颞叶,地区外侧颞叶,扣带、中央前回辅助分类。

讨论:这些extra-temporal叶特性强调全脑模型的重要性,强调地区值得临床医生在颞叶癫痫偏侧性审查。这个概念验证研究说明CNN应用于结构的MRI数据可以直观地援助clinician-led病灶定位和识别extra-hippocampal区域可能需要额外的辐射的关注。

证据的分类:本研究二类提供证据证明耐药患者单侧颞叶癫痫、卷积神经网络算法来源于t1加权图像先生可以正确地分类发作一侧。