Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Disease-Specific Regions Outperform Whole-Brain Approaches in Identifying Progressive Supranuclear Palsy:A Multicentric MRI Study

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00064165%3A_____%2F17%3A10338248" target="_blank" >RIV/00064165:_____/17:10338248 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/00216208:11110/17:10338248 RIV/00023001:_____/17:00060290

  • Výsledek na webu

    <a href="http://dx.doi.org/10.3389/fnins.2017.00100" target="_blank" >http://dx.doi.org/10.3389/fnins.2017.00100</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3389/fnins.2017.00100" target="_blank" >10.3389/fnins.2017.00100</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Disease-Specific Regions Outperform Whole-Brain Approaches in Identifying Progressive Supranuclear Palsy:A Multicentric MRI Study

  • Popis výsledku v původním jazyce

    To identify progressive supranuclear palsy (PSP), we combined voxel-based morphometry (VBM) and support vector machine (SVM) classification using disease-specific features in multicentric magnetic resonance imaging (MRI) data. Structural brain differences were investigated at four centers between 20 patients with PSP and 20 age-matched healthy controls with T1-weighted MRI at 3T. To pave the way for future application in personalized medicine, we applied SVM classification to identify PSP on an individual level besides group analyses based on VBM. We found a major decline in gray matter density in the brainstem, insula, and striatum, and also in frontomedian regions, which is in line with current literature. Moreover, SVM classification yielded high accuracy rates above 80% for disease identification in imaging data. Focusing analyses on disease-specific regions-of-interest (ROI) led to higher accuracy rates compared to a whole-brain approach. Using a polynomial kernel (instead of a linear kernel) led to an increased sensitivity and a higher specificity of disease detection. Our study supports the application of MRI for individual diagnosis of PSP, if combined with SVM approaches. We demonstrate that SVM classification provides high accuracy rates in multicentric dataa prerequisite for potential application in diagnostic routine.

  • Název v anglickém jazyce

    Disease-Specific Regions Outperform Whole-Brain Approaches in Identifying Progressive Supranuclear Palsy:A Multicentric MRI Study

  • Popis výsledku anglicky

    To identify progressive supranuclear palsy (PSP), we combined voxel-based morphometry (VBM) and support vector machine (SVM) classification using disease-specific features in multicentric magnetic resonance imaging (MRI) data. Structural brain differences were investigated at four centers between 20 patients with PSP and 20 age-matched healthy controls with T1-weighted MRI at 3T. To pave the way for future application in personalized medicine, we applied SVM classification to identify PSP on an individual level besides group analyses based on VBM. We found a major decline in gray matter density in the brainstem, insula, and striatum, and also in frontomedian regions, which is in line with current literature. Moreover, SVM classification yielded high accuracy rates above 80% for disease identification in imaging data. Focusing analyses on disease-specific regions-of-interest (ROI) led to higher accuracy rates compared to a whole-brain approach. Using a polynomial kernel (instead of a linear kernel) led to an increased sensitivity and a higher specificity of disease detection. Our study supports the application of MRI for individual diagnosis of PSP, if combined with SVM approaches. We demonstrate that SVM classification provides high accuracy rates in multicentric dataa prerequisite for potential application in diagnostic routine.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    30103 - Neurosciences (including psychophysiology)

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2017

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Frontiers in Neuroscience

  • ISSN

    1662-453X

  • e-ISSN

  • Svazek periodika

    11

  • Číslo periodika v rámci svazku

    March

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    11

  • Strana od-do

  • Kód UT WoS článku

    000395560500001

  • EID výsledku v databázi Scopus

    2-s2.0-85017168179