Advertisement

Automatische atlasbasierte Differenzierung von klassischen und atypischen Parkinsonsyndromen

  • Nils Daniel ForkertEmail author
  • Alexander Schmidt-Richberg
  • Alexander Münchau
  • Jens Fiehler
  • Heinz Handels
  • Kai Boelmans
Chapter
Part of the Informatik aktuell book series (INFORMAT)

Kurzfassung

In der klinischen Praxis müssen Patienten mit klassischem Parkinsonsyndrom von Patienten mit atypischem Parkinsonsyndrom unterschieden werden um eine optimale Therapie zu gewährleisten. Eine korrekte Diagnose auf Basis von klinischen Kriterien kann jedoch sehr schwierig sein. Im Rahmen dieser Arbeit wird eine automatische Methode zur Differenzierung von Parkinsonsyndromen unter Verwendung von T2’-gewichteten MR-Bildsequenzen präsentiert. Die vorgestellte Methode wurde auf Basis von Datensätzen von 24 gesunden Probanden, 25 Patienten mit klassischem Parkinsonsyndrom und 17 Patienten mit atypischem Parkinsonsyndrom entwickelt und evaluiert. In einem ersten Schritt wurde zunächst ein Atlas basierend auf den Datensätzen der gesunden Probanden generiert und in diesem VOIs definiert, die für eine Klassifikation relevant sein könnten. In einem folgenden Schritt wurden die Patientendaten auf den Atlas registriert und die T2’-Intensitäten in den VOIs analysiert. Hiermit wurde in einem folgenden Schritt ein LAD-Entscheidungsbaum trainiert. Die Evaluation mittels 10-facher Kreuzvalidierung zeigte, dass der Klassifikator klassische von atypische Parkinsonsyndrome mit einer Genauigkeit von 90,5% differenzieren kann. Zusammenfassend zeigen die ersten Ergebnisse, dass sich T2’-Bildsequenzen für eine automatische Differenzierung von Patienten mit klassischen und atypischen Parkinsonsyndromen eignen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Rizzo G, et al. Diffusion-weighted brain imaging study of patients with clinical dia- gnosis of corticobasal degeneration, progressive supranuclear palsy and Parkinson’s disease. Brain. 2008;131(10):2690–700.CrossRefGoogle Scholar
  2. 2.
    Hughes A, Daniel S, Ben-Shlomo Y, et al. The accuracy of diagnosis of Parkinsonian syndromes in a specialist movement disorder service. Brain. 2002;125(4):861–70.CrossRefGoogle Scholar
  3. 3.
    Duchesne S, Rolland Y, Vérin M. Automated computer differential classification in Parkinsonian syndromes via pattern analysis on MRI. Acad Radiol. 2009;16:61–70.CrossRefGoogle Scholar
  4. 4.
    Tang C, et al. Differential diagnosis of Parkinsonism: a metabolic imaging study using pattern analysis. Lancet Neurol. 2010;9:149–58.CrossRefGoogle Scholar
  5. 5.
    Graham J, Paley M, Grunewald R, et al. Brain iron deposition in Parkinson’s disease imaged using the PRIME magnetic resonance sequence. Brain. 2000;123(12):2423–31.CrossRefGoogle Scholar
  6. 6.
    Schenck J, Zimmerman E. High-field magnetic resonance imaging of brain iron: birth of a biomarker? NMR Biomed. 2004;17:433–45.CrossRefGoogle Scholar
  7. 7.
    Schmidt-Richberg A, Ehrhardt J, Werner R, et al. Diffeomorphic diffusion registration of lung CT images. Proc MICCAI Grand Challenge Workshop. 2010;7962:55–62.Google Scholar
  8. 8.
    Holmes G, Pfahringer B, Kirkby R, et al. Multiclass alternating decision trees. In: ECML. Springer; 2001. p. 161–72.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2012

Authors and Affiliations

  • Nils Daniel Forkert
    • 1
    Email author
  • Alexander Schmidt-Richberg
    • 4
  • Alexander Münchau
    • 2
  • Jens Fiehler
    • 3
  • Heinz Handels
    • 4
  • Kai Boelmans
    • 2
  1. 1.Institut für Computational NeuroscienceHamburg-EppendorfDeutschland
  2. 2.Klinik für NeurologieHamburgDeutschland
  3. 3.Klinik für Diagnostische und Interventionelle NeuroradiologieUniversit#x00E4;tsklinikum Hamburg-EppendorfHamburg-EppendorfDeutschland
  4. 4.Institut für Medizinische InformatikUniversität zu LübeckLübeckDeutschland

Personalised recommendations