Алгоритмы машинного обучения для раннего обнаружения метастазов костей в экспериментальной модели крыс

Этот протокол облегчает разработку алгоритма машинного обучения для прогнозирования роста метастазов костей в экспериментальной модели на стадии ранней колонизации органов. Основным преимуществом этого метода является то, что он сочетает в себе несколько параметров изображения в алгоритм машинного обучения, который значительно превосходит производственные возможности каждого отдельного параметра. Хотя, этот протокол направлен на раннюю диагностику метастазов в кости, он может быть адаптирован к различным органам или областям мультимодальных и мультипараметрических исследований изображений.

10 дней после операции и инъекции в DICOM зрителя с плагином DCE. Выберите импорт для загрузки последовательности DCE в 4D режиме и выберите папку DICOM, содержащую изображения МРТ. Поместите круговой 1,5 квадратных миллиметра в мерную область интереса в проксимальной трибиальной шахте костного мозга правой задней ноги в пределах четвертого или пятого изображения МРТ и выберите относительное повышение типа участка.

Введите базовый диапазон от точек времени, от одного до пяти в соответствующих областях и экспортировать анализ как точка TXT файл под названием DCE сырой точкой TXT. Откройте RStudio и загрузите предоставленный DCE скрипт точка R файл. Выберите код, запустите область и запустите все, чтобы запустить весь скрипт и скопировать выход в файл шаблона предоставленных функций изображения.

В DICOM зрителя, место второй области интереса в задней мышцы животного и повторить DCE измерений, как попродемонстрировано. В электронной таблице функции изображения соответствующие измерения костей будут автоматически разделены соответствующими измерениями мышц для нормализации данных. Для анализа изображений ПЭТ/КТ откройте программное обеспечение для анализа ПЭТ/КТ и импортируйте изображения ПЭТ/КТ.

Нажмите общий анализ и выберите область количественной оценки, создайте и создайте область интереса из шаблона. Поместите четыре на шесть миллиметров, к мерной области интереса в костном мозге проксимального трибиального вала правой задней ноги и выберите области интереса целевой одной накладки. Обратите внимание на среднее, минимальное и максимальное значение беккерелей на миллилитр.

Затем разделите максимальное значение на впрыскиваемую активность и умножьте результат на вес животного в граммах, чтобы рассчитать стандартизированное значение поглощения. Диагностировать темпы роста опухоли в инъекционной задней ноге. После получения МРТ и ПЭТ/КТ изображений на 30-й день после инъекций проанализируйте изображения, как это было продемонстрировано, и добавьте колонку опухоли в электронную таблицу функций изображения.

Затем введите один или ноль для животных с метастазами или без видимого бремени опухоли соответственно. Чтобы определить наиболее релевантные функции для прогнозирования будущего роста опухоли, импортируем электронную таблицу в набор инструментов машинного обучения и анализа данных с открытым исходным кодом. Перетащите подпрограмму файла из меню данных в рабочее пространство и дважды щелкните файл.

Нажмите значок папки, чтобы загрузить электронную таблицу и выбрать электронную таблицу функций изображения. Выберите экспортный лист и назначьте целевой атрибут переменной опухоли. Назначьте функцию пропуска номеру животного.

Перетащите рядовые подпрограммы в рабочее пространство и нарисуйте линию для подключения к файлу и ранга подпрограмм. Затем дважды щелкните, чтобы открыть подпрограмму ранга и выбрать алгоритм получения информации. Для анализа машинного обучения откройте RStudio 3.4.1 и загрузите предоставленный модель поезда R скрипт.

Выберите строки от трех до шести в скрипте для загрузки необходимых библиотек. Нажмите код, чтобы запустить выбранный код и нажмите вы запустите выбранные строки для запуска выбранных строк. Чтобы обучить средний показатель модели алгоритму нейронной сети, выберите линии 8-39 из сценария модели поезда R и нажмите код и запустите выбранные строки.

Затем, чтобы оценить стандартные параметры диагностической точности, выберите строки от 41 до 50 из сценария модели поезда R и нажмите код и запустите выбранные строки. На 10-й день после операции и инъекции раковых клеток можно получить изображения МРТ и ПЭТ/КТ. Анализ DCE позволяет измерять области мышечной и костной ткани, представляющие интерес.

Эти значения могут быть нормализованы путем деления измерения костей на измерения мышц. На 30-й день после инъекций, все животные оцениваются, чтобы определить, разработали ли они metasticies с одним указанием положительное бремя опухоли и ноль, указывающий здоровых животных без видимых опухолей. Запуск модели поезда R скрипт позволяет оптимальной комбинации гипер параметров, которые будут определены и окончательная модель будет рассчитана с использованием оптимальной комбинации гипер параметров.

Эти данные позволяют вычислить набор стандартных диагностических параметров и вычислить операционную кривую модели приемника. Например, в этом анализе 28 образцов модель выполняет значительно лучше, чем все три ее составляющих. Несколько алгоритмов машинного обучения, как правило, работают лучше, когда входные данные нормализуются.

В этом протоколе нормализация достигается с помощью функции Box Cox. Этот протокол использует среднее значение модели во время сети в качестве алгоритма машинного обучения. Однако предоставленная структура может быть легко адаптирована к другим алгоритмам, таким как случайные леса или машины поддержки векторов.

Извлечение численной информации из изображения материала стало необходимым. Такие алгоритмы могут способствовать интеграции больших объемов данных для стратификации пациентов.