面向深度学习预测的脑深部刺激（DBS）术中疗效图
计算机视觉与模式识别
2018-11-27 v1
摘要
脑深部刺激（DBS）有潜力改善多种神经性疾病患者的生活质量。DBS 的一个关键挑战在于将刺激电极置于能使疗效最大化且副作用最小的解剖位置。术前定位最优刺激区可缩短手术时间并降低发病率。当前生成疗效概率图的方法遵循磁共振成像（MRI）上的解剖学引导，以识别群体中疗效最高的区域。在本工作中，我们提议将该问题重新审视为一个分类问题，其中 MRI 中的每个体素是一个由周围解剖结构提供信息的样本。我们使用基于块（patch）的卷积神经网络将刺激坐标分类为在术中具有症状正向减轻。我们使用包含 187 名患者、共计 2,869 个刺激坐标的队列，从中提取三维块并关联疗效评分。我们将结果与基于配准的手术规划方法比较。我们显示，在将术中刺激坐标分类为症状减轻的正向响应方面有所改进，AUC 为 0.670，而基于配准的基线方法 AUC 为 0.627（p < 0.01）。尽管还需额外验证，所提出的分类框架与深度学习方法似乎非常适于改进术前规划与个性化治疗策略。
引用
@article{arxiv.1811.10415,
title = {Towards Machine Learning Prediction of Deep Brain Stimulation (DBS) Intra-operative Efficacy Maps},
author = {Camilo Bermudez and William Rodriguez and Yuankai Huo and Allison E. Hainline and Rui Li and Robert Shults and Pierre D. DHaese and Peter E. Konrad and Benoit M. Dawant and Bennett A. Landman},
journal= {arXiv preprint arXiv:1811.10415},
year = {2018}
}
备注
Accepted to SPIE: Medical Imaging 2019