Assessment of the diagnostic value of diffusion tensor imaging in patients with spinal cord compression: a meta-analysis

We investigated the diagnostic value of the apparent diffusion coefficient (ADC) and fractional anisotropy (FA) of magnetic resonance diffusion tensor imaging (DTI) in patients with spinal cord compression (SCC) using a meta-analysis framework. Multiple scientific literature databases were exhaustively searched to identify articles relevant to this study. Mean values and standardized mean differences (SMDs) were calculated for the ADC and FA in normal and diseased tissues. The STATA version 12.0 software was used for statistical analysis. Of the 41 articles initially retrieved through database searches, 11 case-control studies were eligible for the meta-analysis and contained a combined total of 645 human subjects (394 patients with SCC and 251 healthy controls). All 11 studies reported data on FA, and 9 contained data related to the ADC. The combined SMDs of the ADC and FA showed that the ADC was significantly higher and the FA was lower in patients with SCC than in healthy controls. Subgroup analysis based on the b value showed higher ADCs in patients with SCC than in healthy controls at b values of both ≤500 and >500 s/mm2. In summary, the main findings of this meta-analysis revealed an increased ADC and decreased FA in patients with SCC, indicating that DTI is an important diagnostic imaging tool to assess patients suspected to have SCC.

Sentence Compression with Supervised Machine Learning

The subject of the thesis is automatic sentence compression with machine learning, so that the compressed sentences remain both grammatical and retain their essential meaning. There are multiple possible uses for the compression of natural language sentences. In this thesis the focus is generation of television program subtitles, which often are compressed version of the original script of the program. The main part of the thesis consists of machine learning experiments for automatic sentence compression using different approaches to the problem. The machine learning methods used for this work are linear-chain conditional random fields and support vector machines. Also we take a look which automatic text analysis methods provide useful features for the task. The data used for machine learning is supplied by Lingsoft Inc. and consists of subtitles in both compressed an uncompressed form. The models are compared to a baseline system and comparisons are made both automatically and also using human evaluation, because of the potentially subjective nature of the output. The best result is achieved using a CRF - sequence classification using a rich feature set. All text analysis methods help classification and most useful method is morphological analysis. Tutkielman aihe on suomenkielisten lauseiden automaattinen tiivistäminen koneellisesti, niin että lyhennetyt lauseet säilyttävät olennaisen informaationsa ja pysyvät kieliopillisina. Luonnollisen kielen lauseiden tiivistämiselle on monta käyttötarkoitusta, mutta tässä tutkielmassa aihetta lähestytään television ohjelmien tekstittämisen kautta, johon käytännössä kuuluu alkuperäisen tekstin lyhentäminen televisioruudulle paremmin sopivaksi. Tutkielmassa kokeillaan erilaisia koneoppimismenetelmiä tekstin automaatiseen lyhentämiseen ja tarkastellaan miten hyvin erilaiset luonnollisen kielen analyysimenetelmät tuottavat informaatiota, joka auttaa näitä menetelmiä lyhentämään lauseita. Lisäksi tarkastellaan minkälainen lähestymistapa tuottaa parhaan lopputuloksen. Käytetyt koneoppimismenetelmät ovat tukivektorikone ja lineaarisen sekvenssin mallinen CRF. Koneoppimisen tukena käytetään tekstityksiä niiden eri käsittelyvaiheissa, jotka on saatu Lingsoft OY:ltä. Luotuja malleja vertaillaan Lopulta mallien lopputuloksia evaluoidaan automaattisesti ja koska teksti lopputuksena on jossain määrin subjektiivinen myös ihmisarviointiin perustuen. Vertailukohtana toimii kirjallisuudesta poimittu menetelmä. Tutkielman tuloksena paras lopputulos saadaan aikaan käyttäen CRF sekvenssi-luokittelijaa laajalla piirrejoukolla. Kaikki kokeillut teksin analyysimenetelmät auttavat luokittelussa, joista tärkeimmän panoksen antaa morfologinen analyysi.