Cíle: Cílem této studie bylo zhodnotit analýzu textury (AT) na snímcích MR před podáním kontrastní látky z hlediska zlepšení přesnosti a rozlišení jemných rozdílů mezi enhancujícími lézemi (EL), neenhancujícími lézemi (NEL) a perzistentními černými dírami (persistant black holes; PBH). Materiál a metodika: Databáze zobrazení MR zahrnovala 90 pacientů, z nichž 30 mělo pouze PBH, 25 mělo pouze EL a 35 nemělo ani EL ani PBH. Tato zobrazení byla zhodnocena pomocí navrhované metody AT. Bylo extrahováno na 300 statistických texturních znaků jako deskriptorů každého ROI/léze. Byly analyzovány rozdíly mezi skupinami lézí a byla změřena plocha pod křivkou (Az) pro každý významný texturní znak. K analýze signifikantních znaků a ke zvýšení síly odlišení byla použita lineární diskriminantní analýza (LDA). Výsledky: Nejméně 14 texturních znaků prokázalo významný rozdíl mezi NEL a EL, NEL a PBH a EL a PBH. Při použití všech významných znaků naznačila LDA slibnou schopnost klasifikace NEL a PBH s hodnotou Az 0,975, která odpovídá senzitivitě 94,3 %, specificitě 96,3 % a přesnosti 95,5 %. U klasifikace EL a NEL (nebo PBH) prokázala LDA diskriminační výkon odpovídající senzitivitě, specificitě a přesnosti 100 % a Az 1. Závěry: AT byla vyhodnocena jako spolehlivá metoda s potenciálem charakterizovat NEL, EL a PBH a jako metoda, kterou mohou lékaři použít k rozlišení NEL, EL a PBH na snímcích MR před podáním kontrastní látky.

Aims: The aim of this study was to evaluate texture analysis (TA) in pre-contrast injection MR images to improve accuracy and to identify subtle differences between enhancing lesions (ELs), non-enhancing lesions (NELs) and persistent black holes (PBHs). Materials and methodology: The MR image database comprised 90 patients; 30 of whom had only PBHs, 25 had only ELs and 35 neither EL or PBH. These were assessed by the proposed TA method. Up to 300 statistical texture features were extracted as descriptors for each ROI/lesion. Differences between the lesion groups were analyzed and evaluations were made for area under the receiver operating characteristic curve (Az) for each significant texture feature. Linear discriminant analysis (LDA) was employed to analyze significant features and increase power of discrimination. Results: At least 14 texture features showed significant difference between NELs and ELs, NELs and PBHs, and ELs and PBHs. By using all significant features, LDA indicated a promising level of performance for classification of NELs and PBHs with Az value of 0.975 that corresponds to sensitivity of 94.3%, specificity of 96.3%, accuracy of 95.5%. In classification of ELs and NELs (or PBH), LDA demonstrated discrimination performance with sensitivity, specificity and accuracy of 100% and Az of 1. Conclusions: TA was determined as a reliable method, with potential for characterization and the method can be applied by physicians to differentiate NELs, ELs and PBH in pre-contrast injection MRI imaging.

Department of Medical Physics School of Medicine Iran University of Medical Sciences Tehran Iran

Department of Neurosurgery School of Medicine Shahed University Tehran Iran

Neurology Group Regenerative Medicine Department Stem Cell Biology and Technology Center for Neuroscience and Cognition Royan Institute Tehran Iran

Kvantitativní analýza MRI textury pro rozlišení enhancujících a neenhancujících T1 hypointenzních lézí bez podání kontrastní látky u roztroušené sklerózy

References provided by Crossref.org