[en] LST Lesion prediction algorithm (LPA) As an alternative to the LGA the toolbox provides a further lesion segmentation algorithm, the lesion prediction algorithm (LPA). Its advantages over the LGA is that (a) it only requires a FLAIR image and (b) no parameters need to be set by the user. The method behind this algorithm is currently unpublished so we still treat it as a beta version. However, it is faster and in general more sensitive than the LGA, so at least give it a try! The LPA was trained by a logistic regression model with the data of 53 MS patients with severe lesion patterns. Binary lesion maps of these patients were used as response values. As covariates a similar lesion belief map as for the LGA was used as well as a spatial covariate that takes into account voxel specific changes in lesion probability. Such a high dimensional model cannot be estimated by standard procedures, so we used a novel approach for fitting large-scale regression models. The parameters of this model fit are then used to segment lesions in new images by providing an estimate for the lesion probability for each voxel. We believe that this algorithm will be useful for images obtained on different scanners. However, since this algorithm is quite new we would appreciate any feedback on the quality of the segmentation. Referencing LST Team puts a lot of effort in the creation of this toolbox, so please cite it accordingly: If lesions have been segmented by the LPA, please use something like the following paragraph: Lesions were segmented by the lesion prediction algorithm as implemented in the LST toolbox version x.x.x (www.statistical-modelling.de/lst.html) for SPM. Inputs: FLAIR image: Brain FLAIR image. T1 Image for image registration and lesion filling (Optional) Outputs: Report: PDF Report. Lesion volume Number of lesions T1 Image Lesion Filling (Optional) Statistik. Paul Schmidt, Dipl.-Stat. freiberuflicher Statistiker © Copyright [es] Algoritmo de predicción de lesiones LST (LPA) Como una alternativa a la LGA proporcionamos un algoritmo de segmentación de lesiones adicional, el algoritmo de predicción de lesión (LPA). Sus ventajas sobre el LGA es que (a) que sólo requiere una imagen FLAIR y (b) no hay parámetros que necesiten ser establecidos por el usuario. El método detrás de este algoritmo está actualmente sin publicar, así que todavía tratamos como una versión beta. Sin embargo, es más rápido y, en general, más sensible que la LGA, por lo que, al menos, habría que darle una oportunidad! La LPA fue entrenado por un modelo de regresión logística con los datos de 53 pacientes con EM con patrones de lesión grave. Mapas de lesiones binarias de estos pacientes se utilizaron como valores de respuesta. Como co-variables se utilizó un mapa creencia lesión similar a LGA, así como una covariable espacial que toma en cuenta los cambios específicos del voxel en la probabilidad de la lesión. Este modelo altamente dimensional no puede estimarse mediante procedimientos estándar, por lo que utiliza un enfoque novedoso para los modelos de regresión a gran escala de montaje. Los parámetros de este modelo de ajuste se utilizan entonces para lesiones del en nuevas imágenes, proporcionando una estimación de la probabilidad de la lesión para cada voxel. Creemos que este algoritmo será útil para imágenes obtenidas en diferentes escáneres. Sin embargo, ya que este algoritmo es bastante nuevo, agradecería cualquier información sobre la calidad de la segmentación. Citando LST El equipo trabaja muy duro para mejorar el paquete, de modo que por favor, cite las publicaciones del siguiente modo:: Si las lesiones se ha extraído con LPA, por favor, use algo parecido a esto: Lesions were segmented by the lesion prediction algorithm as implemented in the LST toolbox version x.x.x (www.statistical-modelling.de/lst.html) for SPM. Entradas: Imagen FLAIR: Imagen FLAIR del cerebro. Imagen anatómica T1 para co-registro y rellenado de lesiones (Opcional) Salidas: Informe: Informe PDF. Volumen de la lesión El número de lesiones Imagen T1 con el rellenado de lesiones (Opcional) Statistik. Paul Schmidt, Dipl.-Stat. freiberuflicher Statistiker © Derechos de Autor