Вестник Военного инновационного технополиса «ЭРА», 2023, T. 4, № 3, стр. 309-313

Классификация пациентов с шизофренией и здоровых добровольцев по данным диффузионной МРТ

В. А. Орлов 1*, С. И. Карташов 1, Д. А. Ковалишина 1, А. А. Пойда 1, А. Д. Жемчужников 1

1 Национальный исследовательский центр “Курчатовский институт”
Москва, Россия

* E-mail: Orlov_VA@nrcki.ru

Поступила в редакцию 23.10.2023
После доработки 26.10.2023
Принята к публикации 26.10.2023

Аннотация

Для построения классификатора выбраны подготовленные данные структурной и диффузионной магнитно-резонансной томографии 36 пациентов с шизофренией (диагноз F20 по МКБ-11) и 36 условно здоровых добровольцев. Диффузионные данные прошли несколько этапов обработки: корректировка искажений, вызванных наведенными токами и направлением фазового кодирования, нормализация, повоксельная реконструкция направления роста волокон белого вещества и построение матриц структурной связанности между отделами головного мозга (структурный коннектом). Для разделения данных использованы алгоритмы методов машинного обучения. В результате получена точность 58% для диффузионных данных и 71% для структурных.

Список литературы

  1. Jablensky A. et al. // Psychol. Med. Monogr. Suppl.1992. V. 20. P. 1.

  2. DSI-Studio: A tractography software tool for diffusion MRI analysis. (n.d.). DSI Studio Documentation. Retrieved October 19, 2023. https://dsi-studio.labsolver.org

  3. MRtrix3. (n.d.). Retrieved October 19, 2023. https://www.mrtrix.org

  4. Schilling K.G. et al. // NMR Biomed. 2019. V. 32. № 6.

  5. Yeh F.-C., Tseng W.-Y.I. // NeuroImage. 2011. V. 58. № 1. P. 91.

  6. Yeh F. et al. // Magn. Reson. Med. 2016. V. 77. № 2. P. 603.

  7. Veraart J. et al. // NeuroImage. 2016. V. 142. P. 394.

  8. Veraart J., Fieremans E., Novikov D.S. // Magn. Reson. Med. 2015. V. 76. № 5. P. 1582.

  9. Cordero-Grande L. et al. // NeuroImage. 2019. V. 200. P. 391.

  10. Tournier J.-D. et al. // NeuroImage. 2019. V. 202. P. 116137.

  11. Andersson J.L.R., Skare S., Ashburner J. // NeuroImage. 2003. V. 20. № 2. P. 870.

  12. Andersson J.L.R., Sotiropoulos S.N. // NeuroImage. 2016. V. 125. P. 1063.

  13. Smith S.M. et al. // NeuroImage. 2004. V. 23. P. S208.

  14. Yeh F.-C. et al. // PLoS One. 2013. V. 8. № 11. P. e80713.

  15. Yeh F.-C. // NeuroImage. 2020. V. 223. P. 117329.

  16. Yeh F.-C. // NeuroImage. 2020. V. 223. P. 117329.

  17. Brainnetome atlas. (n.d.). Home. Retrieved October 19, 2023. https://atlas.brainnetome.org

  18. FreeSurfer. https://surfer.nmr.mgh.harvard.edu/

  19. Dale A.M., Fischl B., Sereno M.I. // NeuroImage. 1999. V. 9. № 2. P. 179.

  20. Fischl B., Liu A., Dale A.M. // IEEE Trans. Med. Imag. 2001. V. 20. № 1. P. 70.

  21. Fischl B. // Cereb. Cortex. 2004. V. 14. № 1. P. 11.

  22. Han X. et al. // NeuroImage. 2006. V. 32. № 1. P. 180.

  23. Reuter M., Rosas H.D., Fischl B. // NeuroImage. 2010. V. 53. № 4. P. 1181.

  24. Ségonne F. et al. // NeuroImage. 2004. V. 22. № 3. P. 1060.

  25. Fischl B. et al. // Neuron. 2002. V. 33. № 3. P. 341.

  26. Sled J.G., Zijdenbos A.P., Evans A.C. // IEEE Trans. Med. Imag. 1998. V. 17. № 1. P. 87.

  27. Segonne F., Pacheco J., Fischl B. // IEEE Trans. Med. Imag. 2007. V. 26. № 4. P. 518.

  28. Fischl B. et al. // Hum. Brain Mapp. 1999. V. 8. № 4. P. 272.

  29. Han X. et al. // NeuroImage. 2006. V. 32. № 1. P. 180.

  30. Scikit-learn: machine learning in Python – scikit-learn 0.16.1 documentation. https://scikit-learn.org

  31. Supervised learning // scikit-learn. https://scikit-learn.org/stable/supervised_learning.html#supervised-learning

  32. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. New York: Springer, 2009. https://doi.org/10.1007/978-0-387-84858-7

  33. Arlot S., Celisse A. // Stat. Surv. 2010. V. 4

Дополнительные материалы отсутствуют.