头部运动降低基于正电子发射断层扫描的阿尔茨海默病机器学习分类性能
图像与视频处理
2025-01-16 v1 机器学习
摘要
脑正电子发射断层扫描（PET）成像广泛应用于研究和临床实践，以研究、诊断和分期阿尔茨海默病（AD）。然而，由于缺乏便携式运动校正解决方案，尤其是在临床环境中，其潜力尚未得到充分挖掘。数据采集过程中的头部运动已被证明会降低图像质量并导致示踪剂摄取定量误差。在本研究中，我们证明它还会使基于机器学习的AD分类产生偏差。我们首先提出了一种仅基于PET图像的二元分类算法。我们发现，该算法在对运动校正后的图像进行分类时，能够达到区分认知正常与AD的高准确率。我们证明，当图像缺乏运动校正时，分类准确率显著下降，从而限制了算法的有效性并使图像解释产生偏差。我们在128例C-UCB-J和173例F-FDG扫描（两种与AD研究高度相关的示踪剂）的队列中验证了这些发现。在20例F-FDG和20例C-UCB-J测试案例中，分类准确率分别下降了10%和5%。我们的发现强调了需要高效的运动校正方法以充分利用基于PET的机器学习的诊断能力。
引用
@article{arxiv.2501.08459,
title = {Head Motion Degrades Machine Learning Classification of Alzheimer's Disease from Positron Emission Tomography},
author = {Eléonore V. Lieffrig and Takuya Toyonaga and Jiazhen Zhang and John A. Onofrey},
journal= {arXiv preprint arXiv:2501.08459},
year = {2025}
}
备注
5 pages