2018
DOI: 10.1097/mnm.0000000000000890
|View full text |Cite
|
Sign up to set email alerts
|

Artificial intelligence in the diagnosis of Parkinson’s disease from ioflupane-123 single-photon emission computed tomography dopamine transporter scans using transfer learning

Abstract: This study has provided proof of concept for the use of transfer learning, from convolutional neural networks pretrained on nonmedical images, for the interpretation of ¹²³I SPECT scans. This has been shown to be possible in this study even with a very small sample size. This technique is likely to be applicable to many areas of diagnostic imaging.

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1

Citation Types

1
22
0
4

Year Published

2019
2019
2023
2023

Publication Types

Select...
5
2
1

Relationship

0
8

Authors

Journals

citations
Cited by 38 publications
(27 citation statements)
references
References 27 publications
1
22
0
4
Order By: Relevance
“…More complex methods including convolutional neural networks have been proposed for automatic classification of FP-CIT SPECT [18,20,21]. However, conventional SBR analysis is still widely used because it is easy to understand (no black box) and achieves high accuracy provided that an appropriate normal database is used.…”
Section: Introductionmentioning
confidence: 99%
“…More complex methods including convolutional neural networks have been proposed for automatic classification of FP-CIT SPECT [18,20,21]. However, conventional SBR analysis is still widely used because it is easy to understand (no black box) and achieves high accuracy provided that an appropriate normal database is used.…”
Section: Introductionmentioning
confidence: 99%
“…Ding et al were able to show that a CNN with InceptionV3 architecture (38) could make an Alzheimer disease diagnosis with 82% specificity at 100% sensitivity (AUC, 0.98) on average 75.8 mo before the final diagnosis based on 18 F-FDG PET/CT scans and outperformed human interpreters (majority diagnosis of 5 interpreters) (39). A similar network architecture was used by Kim et al in the diagnosis of Parkinson disease from 123 I-ioflupane SPECT scans; the test sensitivity was 96.3% at 66.7% specificity (AUC, 0.87) (40). Li et al used a 3-step process of automatic segmentation, feature extraction, and classification using support vector machines and random forests to automatically detect pancreas carcinomas on 18 F-FDG PET/CT scans (41).…”
Section: Discussionmentioning
confidence: 93%
“…Dabei wird ein bereits für eine andere, aber verwandte Aufgabe trainiertes Lernverfahren genutzt und an die neue Fragestellung angepasst. So starteten Kim, Wit und Thurston mit einem für die Klassifikation von Fotos im Rahmen einer Large Scale Visual Recognition Challenge optimierten CNN und trainierten ausschließlich die letzte, für die finale Klassifikation zuständige Schicht des Netzes neu, und zwar für die Klassifikation von DAT-SPECTs[24]. Dazu wurden nur 108 DAT-SPECTs verwendet, davon 54 mit normaler und 54 mit reduzierter striataler DAT-Dichte, die mittels einfacher Methoden der Data Augmentation 44-fach vermehrt wurden[24].…”
unclassified
“…So starteten Kim, Wit und Thurston mit einem für die Klassifikation von Fotos im Rahmen einer Large Scale Visual Recognition Challenge optimierten CNN und trainierten ausschließlich die letzte, für die finale Klassifikation zuständige Schicht des Netzes neu, und zwar für die Klassifikation von DAT-SPECTs[24]. Dazu wurden nur 108 DAT-SPECTs verwendet, davon 54 mit normaler und 54 mit reduzierter striataler DAT-Dichte, die mittels einfacher Methoden der Data Augmentation 44-fach vermehrt wurden[24]. Das resultierende Netz lieferte eine Fläche von 0,87 unter der ROC-Kurve für die Klassifikation unabhängiger Test-DAT-SPECTs[24].…”
unclassified
See 1 more Smart Citation