دانلود مقاله تشخیص ضایعات مغزی ( آسیب ها ) ، بخش بندی و پیش بینی در آزمایشات بالینی مولتیپلاسکلروز ( ام اس )
تعداد کلمات فایل انگلیسی:4136 کلمه 14 صفحه pdf
تعداد صفحات فایل ترجمه:8 صفحه word فونت 11 B Nazanin
چکیده : انواع روش های اتوماتیک قطعه بندی بر تصاویر ِ آسیب های بزرگتر T2 در تصویر برداری MRI ِ بیمارانی مولتیپلاسکلروز (MS) می آیند به طور موفقیت آمیزی اعمال شده و به تخمین زدن میزان آسیب ها به عنوان یک معیار بالینی ِ رایج در فعال بودن بیماری و مرحله ء پیشروی آن کمک کرده است . در آزمایشات بالینی معیارهای بسیار زیادی برای تعیین ِ گستره ء بیماری و میزان فعال بودن آن به لحاظ ِ کارامد بودن درمان نیاز است . این معیارها عبارتند از : 1) تعداد و مقدار ِ آسیب های T2 در MRI ، 2) تعداد و مقدار T2 های جدید و رو به رشد در MRI طولی ، 3) تعداد آسیب های گادولونیوم ِ رو به پیشرفت در T1 MRI ، بخشی از آسیب هایی که در T1w MRI پس از تزریق با یک عاملمغایر پیشروی کند اغلب با التهاب های فعال در ارتباط است . در این راستا ، تشخیص درست آسیب ها باید به گونه ای باشد تا ما را از کوچکترین آنها ( برای مثال 3 تا 10 voxels) که در آزمایشات مرسوم هستند آگاه سازد . روش های دستی یا نیمه دستی در آزمایشات گسترده ء بالینی خیلی زمان بر ، ناسازگار و پر هزینه هستند . به همین منظور ما مجموعه ای از رویکردهای تماما اتوماتیک و روش های یادگیری احتمالی ماشین را برای تشخیص و قطعه بندی تمام آسیب ها در بیمارنی که به MRI می روند معرفی کرده و دقت و قدرت آنها را در مجموعه داده های آزمایشات بالینی ، مولتی اسکنر و چند مرکزی ِ بزرگ نشان می دهیم . در این مجال از چندین الگوریتم که آنالیز نرم افزاری تجاری با آنها انجام می شوند و در بهبود بازدهی و دقت پیشرفت اغلب درمان های جدید MS در سراسر دنیا نقش دارند نیز استفاده خواهمی کرد . کارهای تحقیقاتی و عملیاتی جدید نشان دهنده ء این هستند که چگونه یک مغزی که پر از آسیب های بافتی است می تواند در آزمایشات بالینی به طور خودکار احتمال فعالیت بیماری های آینده و درمان های بالقوه ء آن را پیش بینی کند و توانایی شخصی سازی درمان را بدهد .
Lesion Detection, Segmentation and Prediction in Multiple Sclerosis Clinical Trials
Abstract. A variety of automatic segmentation techniques have been successfully applied to the delineation of larger T2 lesions in patient MRI in the context of Multiple Sclerosis (MS), assisting in the estimation of lesion volume, a common clinical measure of disease activity and stage. In the context of clinical trials, however, a wider number of metrics are required to determine the “burden of disease” and activity in order to measure treatment efficacy. These include: (1) the number and volume of T2 lesions in MRI, (2) the number of new and enlarging T2 volumes in longitudinal MRI, and (3) the number of gadolinium enhancing lesions in T1 MRI, the portion of lesions that enhance in T1w MRI after injection with a contrast agent, often associated with active inflammations. In this context, accurate lesion detection must ensure that even small lesions (e.g. 3 to 10 voxels) are detected as they are prevalent in trials. Manual or semi-manual approaches are too time-consuming, inconsistent and expensive to be practical in large clinical trials. To this end, we present a series of fully-automatic, probabilistic machine learning frameworks to detect and segment all lesions in patient MRI, and show their accuracy and robustness in large multi-center, multi-scanner, clinical trial datasets. Several of these algorithms have been placed into a commercial software analysis pipeline, where they have assisted in improving the efficiency and precision of the development of most new MS treatments worldwide. Recent work has shown how a new Bag-of-Lesions brain representation can be used in the context of clinical trials to automatically predict the probability of future disease activity and potential treatment responders, leading to the possibility of personalized medicine
کد:12954
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله تشخیص ضایعات مغزی ( آسیب ها ) ، بخش بندی و پیش بینی در آزمایشات بالینی مولتیپلاسکلروز ( ام اس )
تعداد کلمات فایل انگلیسی:4136 کلمه 14 صفحه pdf
تعداد صفحات فایل ترجمه:8 صفحه word فونت 11 B Nazanin
چکیده : انواع روش های اتوماتیک قطعه بندی بر تصاویر ِ آسیب های بزرگتر T2 در تصویر برداری MRI ِ بیمارانی مولتیپلاسکلروز (MS) می آیند به طور موفقیت آمیزی اعمال شده و به تخمین زدن میزان آسیب ها به عنوان یک معیار بالینی ِ رایج در فعال بودن بیماری و مرحله ء پیشروی آن کمک کرده است . در آزمایشات بالینی معیارهای بسیار زیادی برای تعیین ِ گستره ء بیماری و میزان فعال بودن آن به لحاظ ِ کارامد بودن درمان نیاز است . این معیارها عبارتند از : 1) تعداد و مقدار ِ آسیب های T2 در MRI ، 2) تعداد و مقدار T2 های جدید و رو به رشد در MRI طولی ، 3) تعداد آسیب های گادولونیوم ِ رو به پیشرفت در T1 MRI ، بخشی از آسیب هایی که در T1w MRI پس از تزریق با یک عاملمغایر پیشروی کند اغلب با التهاب های فعال در ارتباط است . در این راستا ، تشخیص درست آسیب ها باید به گونه ای باشد تا ما را از کوچکترین آنها ( برای مثال 3 تا 10 voxels) که در آزمایشات مرسوم هستند آگاه سازد . روش های دستی یا نیمه دستی در آزمایشات گسترده ء بالینی خیلی زمان بر ، ناسازگار و پر هزینه هستند . به همین منظور ما مجموعه ای از رویکردهای تماما اتوماتیک و روش های یادگیری احتمالی ماشین را برای تشخیص و قطعه بندی تمام آسیب ها در بیمارنی که به MRI می روند معرفی کرده و دقت و قدرت آنها را در مجموعه داده های آزمایشات بالینی ، مولتی اسکنر و چند مرکزی ِ بزرگ نشان می دهیم . در این مجال از چندین الگوریتم که آنالیز نرم افزاری تجاری با آنها انجام می شوند و در بهبود بازدهی و دقت پیشرفت اغلب درمان های جدید MS در سراسر دنیا نقش دارند نیز استفاده خواهمی کرد . کارهای تحقیقاتی و عملیاتی جدید نشان دهنده ء این هستند که چگونه یک مغزی که پر از آسیب های بافتی است می تواند در آزمایشات بالینی به طور خودکار احتمال فعالیت بیماری های آینده و درمان های بالقوه ء آن را پیش بینی کند و توانایی شخصی سازی درمان را بدهد .
Lesion Detection, Segmentation and Prediction in Multiple Sclerosis Clinical Trials
Abstract. A variety of automatic segmentation techniques have been successfully applied to the delineation of larger T2 lesions in patient MRI in the context of Multiple Sclerosis (MS), assisting in the estimation of lesion volume, a common clinical measure of disease activity and stage. In the context of clinical trials, however, a wider number of metrics are required to determine the “burden of disease” and activity in order to measure treatment efficacy. These include: (1) the number and volume of T2 lesions in MRI, (2) the number of new and enlarging T2 volumes in longitudinal MRI, and (3) the number of gadolinium enhancing lesions in T1 MRI, the portion of lesions that enhance in T1w MRI after injection with a contrast agent, often associated with active inflammations. In this context, accurate lesion detection must ensure that even small lesions (e.g. 3 to 10 voxels) are detected as they are prevalent in trials. Manual or semi-manual approaches are too time-consuming, inconsistent and expensive to be practical in large clinical trials. To this end, we present a series of fully-automatic, probabilistic machine learning frameworks to detect and segment all lesions in patient MRI, and show their accuracy and robustness in large multi-center, multi-scanner, clinical trial datasets. Several of these algorithms have been placed into a commercial software analysis pipeline, where they have assisted in improving the efficiency and precision of the development of most new MS treatments worldwide. Recent work has shown how a new Bag-of-Lesions brain representation can be used in the context of clinical trials to automatically predict the probability of future disease activity and potential treatment responders, leading to the possibility of personalized medicine
کد:12954
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com