骨髄病変を伴う被験者の分類のための膝MRIの骨髄のテクスチャ分析 - 変形性関節症のイニシアチブからのデータ

骨髄病変（BML）の視覚化は、それに関連する多くの骨障害の診断を改善することができます。BMLの検出における定量的アプローチは、これらの骨障害を診断する精度と効率を高める可能性があります。この論文では、（a）スライスを識別し、BMLの有無にかかわらず被験者を分類するために、磁気共鳴イメージング（MRI）ベースのテクスチャを使用する可能性を調査しました。合計58人の被験者が研究されました。そのうち29はBMLの影響を受けました。被験者の年齢は、平均年齢59の45〜74歳の範囲でした。テクスチャパラメーターは、遠位大腿骨の重量存在領域について計算されました。次に、パラメーターをMann-Whitney Uテストおよび個々の特徴選択方法を使用して分析して、潜在的に判別的パラメーターを識別しました。分類用の選択機能サブセットを選択するために、フォワード機能の選択が適用されました。8つの分類器からの分類結果が研究されました。結果は、研究された147のパラメーターのうち98が統計的に有意に異なることを示しています。通常の骨髄と影響を受ける骨髄：共起マトリックスに基づくパラメーターは、その分離性で最も高くランク付けされています。被験者の分類は、0.914のレシーバー動作特性曲線（AUC）の下で領域を達成し、スライスの分類は0.780のAUCを達成しました。結果は、MRI-Textureベースの分類がBMLの有無にかかわらず被験者/スライスを効果的に分類できることを示しています。

Visualization of bone marrow lesion (BML) can improve the diagnosis of many bone disorders that are associated with it. A quantitative approach in detecting BML could increase the accuracy and efficiency of diagnosing those bone disorders. In this paper, we investigated the feasibility of using magnetic resonance imaging (MRI)-based texture to (a) identify slices and (b) classify subjects with and without BML. A total of 58 subjects were studied; 29 of them were affected by BML. The ages of subjects ranged from 45 to 74years with a mean age of 59. Texture parameters were calculated for the weight-bearing region of distal femur. The parameters were then analyzed using Mann-Whitney U test and individual feature selection methods to identify potentially discriminantive parameters. Forward feature selection was applied to select features subset for classification. Classification results from eight classifiers were studied. Results show that 98 of the 147 parameters studied are statistically significantly different between the normal and affected marrows: parameters based on co-occurrence matrix are ranked highest in their separability. The classification of subjects achieved an area under the receiver operating characteristic curve (AUC) of 0.914, and the classification of slices achieved an AUC of 0.780. The results show that MRI-texture-based classification can effectively classify subjects/slices with and without BML.