评估的大脑弯曲度测量的多通道自动分类科目与阿尔茨海默氏症

文摘

3 d曲折决定在一些大脑区域提出了作为一种新的形态生物标志物(BM)被认为是在早期发现阿尔茨海默病(AD)。测量使用的角度解剖方法,它已被证明是敏感变化,出现在灰色的白质和颞顶叶在轻度认知障碍(MCI)。统计分析显示显著差异( )之间曲折指标确定为健康对照组(HC)与MCI和HC与广告的大部分结构分析。其他临床使用BMs也被纳入分析:贝塔淀粉样和tau蛋白质脑脊液和血浆浓度,以及其他image-extracted参数。使用随机森林分类策略(RF)算法实现区分三个研究样本的数量,选择从ADNI数据库。分类率只考虑image-extracted参数显示增加了9.17%,当弯曲度。增强1.67%获得当BMs测量从几个模式结合曲折。

1。介绍

阿尔茨海默病(AD)是一种神经退行性疾病,导致不可逆转的认知和知识能力的逐渐丧失,从而限制一个主题的表现在日常活动。据报道,这种疾病逐渐引起大脑形态学的变化,导致失去记忆等认知活动,方向,和语言。它与衰老和痴呆的占所有病例的50%和75%之间在全球人口1]。国家Aging-Alzheimer研究所的临床标准协会(NIA-AA)一般认识发展的三个阶段主要广告(2):临床健康阶段,轻度认知障碍(MCI),由于广告和痴呆。

诊断标准的主要目标是支持广告的早期识别和治疗专家(2]。在这种背景下,不同的生物标志物(BM)和代理生物标记被认为是诊断:(我)认知测试,使用最临床细微精神状态检查(MMSE)和临床痴呆评定(CDR)。这些神经心理参数,连同其他临床检查,是临床实践中最常用的2]。(2)生化标记与β-淀粉样蛋白肽的浓度(有关β40,β42)或tau蛋白质。一些作者研究了广告和之间的关系β40,β42等离子体水平,与不确定的结果3当别人已经证明了)β42 /β40比例可以预测疾病的发展,尤其是如果它是测量血液,不仅在等离子体(4]。(3)Image-extracted生物标志物。最近,磁共振成像(MRI)成为一个非侵入性的临床技术支持广告的医学诊断(2,5,6]。具体来说,从核磁共振大脑参数提取,如体积不同的大脑结构,海马萎缩,皮质厚度,是最常见的临床诊断。然而,神经影像学的临床评估主要是基于视觉神经放射检查,他们并不总是能够发现的早期迹象从大脑结构的定性观察神经退化6]。

最近出现了兴趣在医学和神经影像社区将技术从人工智能和机器学习领域对AD的诊断。同时,新image-extracted生物标记出现的早期检测大脑的变化。很多研究专注于不同的结合BMs和应用模式识别技术来识别疾病的早期症状,特别是在MCI阶段(6]。

最近一些研究报道患者的分类广告在不同阶段和描述使用生物标记和模式分析解决问题与MCI受试者的症状的早期检测。Janousova et al。7]报道的分析四个人群:HC;可转化为广告的进步MCI (MCIc);稳定nonconverting MCI (MCInc);和广告。他们认为氟脱氧葡萄糖(FDG) PET图像水平获得和强度得到t1加权磁共振成像作为分类特征采用支持向量机(SVM)。作者描述了计算有效的过程,基于惩罚回归的组合(回归使用弹性净损失)和重采样方法,识别局部大脑区域的高度先生的两组图像之间的区别的。Perez-Gonzalez et al。8报告的分析和支持向量机分类HC, MCI,广告数量。他们提出了一个基于离散密实度的新功能充分结合绝对和规范化WM和通用汽车(全球和脑叶)。

灰色et al。9报告的一项研究,四个种群(HC, MCIc, MCInc和广告)进行了分析。随机森林(RF)分类器与5000棵树与特征向量包括体积措施,美联储正立体像素强度的整个大脑,CSF-derived措施,和遗传信息。作者报道一个分类策略基于成对相似性措施来源于随机森林分类器。

Payan et al。10)使用3 d卷积神经网络分类器来识别HC, MCI,广告数量。该算法使用MRI图像的整体信息作为输入数据。结果对比与二维神经网络分类器,获得增加3.94%的准确性。列别捷夫和他的同事们(11)进行了一项研究,两个种群(广告与HC)进行了分析,使用1000 -树射频分类器。使用功能是noncortical卷、皮质厚度可比地图,和沟的深度。在这项研究中,作者提出一个分析不同的磁共振成像指标使用随机森林分类器在一个队列研究。作者认为他们获得支持向量机等分类率比其他模型与线性内核。

Sivapriya et al。12]报道研究有三个研究群体(广告、MCI和HC)。本研究提出了一个总体特征选择方法使用不同的分类器与粒子群优化搜索策略和价值融合技术。的特性考虑射频分类过程中体积措施,正子,神经心理学的分数。

最近,Dimitriadis et al。13]探索小说的效果方案,包括多个功能选择通过射频(mri特征)。本研究认为四类(HC, MCIc, MCInc和广告)。该方法包括一整套的子集特性/小叶和半球。最终决定使用融合分类方法的不同的方法和系综分类通过多数投票。拉米雷斯et al。14)基于特征提出了一个系统标准化、方差分析特征选择,偏最小二乘回归特征降维,剩下的合奏与随机森林分类器。系统训练和评估ADNI数据集,包括t1加权磁共振成像形态测量从HC, MCInc MCIc,广告的主题。在其他的研究中,塞尔瓦托等。6]提出一个机器学习分类器的早期诊断和预后的广告通过自动特征提取、选择和优化结构磁共振脑图像。线性支持向量机用于单独的组主题和设计执行multilabel自动分类为以下四类:HC, MCInc, MCIc和广告。

其他作者报道皮质厚度作为一种有效的生物标记来区分对照组和AD患者。我们针对et al。15)进行的一项研究中,皮质厚度不同的脑结构的自动测量,使用三种分类方法:线性判别(LDA),二次判别(QLA)和逻辑回归模型来区分人群健康对照组与患者的广告。杜等人也报告了使用皮质厚度作为一个有用的替代生物标记区分额颞叶痴呆和广告。他们进行了一项研究,控制,额颞叶痴呆患者和阿尔茨海默氏症患者进行了分析(16]。使用逻辑回归分类模型,皮质厚度和体积被用作生物标记。

考虑这些先前的研究,可以发现有一个活跃的研究领域在不同的图像生物标志物的研究能提供补充信息支持广告的早期检测。也可以证实,集成多通道的研究可以提供更好的性能在不同阶段的歧视的阿尔茨海默氏症。由于这些原因,在这部作品中,三维弯曲度测量在一些皮质区域分割先生从t1加权图像提出了作为一种新的生物标志物。它的目的是作为补充参数,量化结构变化。虽然曲折提出了作为不同的形态BM医学应用(17- - - - - -19),这个指标尚未评估支持广告的早期诊断。同时,随机森林(RF)分类器提出和设计执行multilabel自动分类,使用多通道特性,分为以下三个主题类:HC, MCI,和广告;在这种情况下,MCI人口对应于稳定MCInc主题没有进化到阿尔茨海默氏痴呆。

2。材料和方法

在本节中,提出的方法,从数据集描述,以及患者的入选标准广告,MCI和HC。随后,白质的分割过程,灰质和脑脊液使用统计参数映射。基于图像的生物标志物也详细解释(绝对和规范化的体积,皮质厚度、离散的密实度,和弯曲度),以及统计测试用于评估他们的判别能力。最后,提出了一种基于随机森林分类方案基于图像,生化,代孕认知生物标志物集成。如上所述,目的是区分AD患者,MCI主题,和健康对照组,观察弯曲度指数的分类能力当结合其他不同形式的生物标志物。

2.1。数据集

本文的数据用于制备得到的阿尔茨海默病的神经影像学(ADNI)数据库(adni.loni.usc.edu)。ADNI于2003年推出的公私合作伙伴关系,由首席研究员迈克尔·w·维纳。ADNI的主要目的是测试是否连环磁共振成像(MRI),正电子发射断层扫描(PET),其他生物标记,可以结合临床和神经心理学评估衡量轻度认知障碍(MCI)的进展和早期阿尔茨海默病(AD)。

在[人口分配进行了报告20.]ADNI专家用以下HC的入选标准:MMSE得分24至30;CDR零;和无抑郁、MCI和痴呆。入选标准为MCI如下:MMSE得分24至30;CDR的0.5;客观的记忆丧失,衡量education-adjusted韦氏记忆量表得分第二逻辑内存;缺乏显著水平的障碍其他认知域;和无痴呆。入选标准为广告如下:MMSE得分20至26和CDR的0.5或1.0。详细描述包含/排除标准中可以找到ADNI协议(http://www.adni-info.org/Scientists/ADNIStudyProcedures.aspx)。

这三个人群选择构成了本研究考虑,除了上述标准,以下信息的完整性:(我)τ蛋白和β42岁的水平,以脑脊液(大约20%的人口提供这些信息(20.])(2)一个β40,β42从血浆水平(3)卷先生收购了在类似的条件(t1加权,在1.5 T,立体像素分辨率1.2×0.93×0.93毫米³)(iv)认知成绩评价MMSE和CDR测试(v)组按年龄配对(vi)所有生物标记记录在附近的日期

2.1.1。培训/验证数据集

考虑这些入选标准,培训数量由40名健康对照组(HC)、40对象稳定轻度认知障碍(MCI)患者和40阿尔茨海默病(AD)。相应的人口和神经心理学成绩表所示1。这组是用于统计分析和训练和设计的分类策略。

2.1.2。坚持盲目测试集

相同的入选标准被认为构成盲数据集组成的10 HC, 10 MCI, 10个广告。相应的人口统计信息如表所示2。这个数据集是从来没有见过在训练步骤,专门用于最终测试。

2.2。图像处理先生

作为第一步,全球白色和灰色问题分段从大脑先生卷;后者也细分为若干子结构,单独的顶叶和颞叶,两个半球的150例。为了这个目的,“统计参数映射”(SPM) (21]工具使用,使用以下序列:体积定位、图像调整和注册和分割。在第一步中,胼胝体是用作卷解剖参考方向;这种结构通常是用于此目的在大多数科目,因为它很容易识别。

为了获得顶叶和颞叶,个体脑图谱使用统计参数映射(IBASPM)使用22];这是一个可用的工具箱SPM的平台,广泛用于神经处理。叶分割进行如下:(我)细分这个过程之前必须进行与SPM平台独立的脑脊液(CSF),灰质(GM),白质(WM)在本地空间的原始图像。(2)正常化T1-image分配给立体定向MNI空间,使用洲际弹道导弹152 T1面具。这个步骤提供了一个空间变换矩阵,将随后使用。(3)标签白质分割步骤中确定的体素被映射到逆变换矩阵在标准化生产。所有体素是分配给一个独特的结构,包含在阿特拉斯空间。最后一卷标签应用于皮层下结构根据先前的概率分配由阿特拉斯。(iv)个人阿特拉斯在规范化步骤反向变形计算字段,剩下的空隙填满,和孤立点是消除获得最终的结构。还有最后一个步骤,一个人阿特拉斯的分配结构。从这个过程中,六个得到了大脑结构:通用、WM,左、右颞叶(RTL和需要,和左、右顶叶(RPL和LPL)。

2.3。卷(V)和归一化卷(NV)

作为第一步,先生卷使用b样条函数的插值应用,为了与等距措施解决1毫米³。分割后,体积估计很容易通过计算像素点的数量(n),属于感兴趣的区域。正常化这些卷进行了体素的总数除以颅内给定结构的体积,这是计算通过添加这些体素对应通用、WM和脑脊液。

2.4。皮质厚度(CT)

皮质厚度测量用FreeSurfer 6.0版本记录和在线免费下载(http://surfer.nmr.mgh.harvard.edu/)。的技术细节描述这些过程在以前的出版物(23- - - - - -26]。这种处理包括以下:(我)运动校正和多个体积平均t1影像(26](2)删除non-brain组织使用混合分水岭/表面变形过程,自动Talairach转换和分割的皮层下白质和深部灰质体积结构(25](3)灰质和白质边界和自动拓扑修正(24](iv)表面变形后强度梯度优化灰色/白色和灰色的地方/脑脊液边界的位置转变最大的强度定义转换到其他组织类(23]

皮质厚度测量的程序进行验证与组织学分析(27和手动测量28]。

在这项工作中,我们计算了全球平均皮质厚度和颞顶叶皮质厚度。对于所有这些结构,左右半球分析作为生物标记物的分类过程。

2.5。离散密实度(DC)

这个指标被报告为一个有用的生物标志物对HC的分类,MCI,和广告8]。DC在计算上简单的计算,它的变化0(零密实度)和1(完全致密体素)。也是不变的旋转、缩放、翻译、品质有助于消除偏见的测量。它可以表示为一个3 d对象的面积的比率包含它的表面和体积如下:(地区)³/(体积)²和与体素的数量(n)和封闭区域(一个通过以下数学表达式()29日]:

2.6。曲折(TR)

曲折是一个固有特性曲面的兵家必争之地。这个特征是最重要的措施之一,用来计算变形形状在不同对象,它允许量化的程度转变或弯路表面(30.]。

不同的疾病,如高血压和血管病变可以影响血管的形态,这样曲折的措施提出了在文献中量化与这些病理过程(相关的形态学变化17,19]。由于这些原因,我们考虑到弯曲度可以是一个有用的度量来确定大脑结构的变形时受到阿尔茨海默氏症的影响。

报道了规范化曲折布利特et al。17),据估计角度度量(SOAM)方法的总和。连续过程确定3 d夹角3 d三合会如下(17]:(我)从3 d网格获得骨架化过程,构成一组N订购点P_k坐标(x_k,y_k,z_k)(2)向量X,Y,Z分别定义,包含一组的x_k,y_k,z_k数组的坐标点(3)从这些向量,下面两列,k行数组是符合:T1 = (X Y],T2 = [Z YT3 = [],Z X](iv)每个数组是归一化(v)计算以下元素:

在这部作品中,扭转角不考虑SOAM计算,因为布利特报道之前的容器形状测量血管造影图像,它不提供健康和生病的受试者比较,只会增加噪音31日]。

2.7。统计分析

计算生物标志物在前面部分提出后,进行统计分析的训练数据集(N= 120)找到类之间和between-biomarkers显著差异。我们应用一个克鲁斯卡尔-沃利斯检验( )这三个类之间,因为不遵循正态分布计算指标。后来,一个Mann-Whitney-Wilcoxon事后确定类间的差异进行了分析。

2.8。分类方案

分类研究种群分成三组,随机森林(RF)使用。列别捷夫等人报道,射频性能优于SVM的对于这个应用程序11]。它最初收到35特点:(我)Image-extracted BM: V, NV, CT,六大脑结构和TR(通用、WM、RTL LTL, RPL,和LPL),共计30特性(2)生化标记:tau蛋白质和一个β42 CSF水平;一个β40,β42从血浆中获得;和一个β40 /β42比(5特性)(3)代理认知生物标志物:CDR和MMSE。他们被认为是黄金标准,对分类过程中获得的结果进行比较

随机森林被定义为一个分类器集合作为一个树结构,用 ,在哪里x输入的向量类和吗θ_k独立是一个向量的随机数据分布(11]。培训的特征向量θ_k的长度n,新子集分成若干米分区的长度n1 (n1 <n通过采样和替换。获得的米模型是随机森林的综合训练和分类(14]。

特征选择和重要性赋值为每个变量时隐式地完成射频与基尼杂质分类指数,这是一种非参数测量功能的预测能力。为每个二进制节点n在决策树,基尼系数计算如下(32]: 在哪里p_j是类的相对频率j在节点n。RF设计使用以下参数:150棵树在森林里;树的最大深度8;和最小数量的样品需要分裂的内部节点2。分类器生成三个可能的输出:HC, MCI科目和AD患者。

所有RF-based分类器设计10倍交叉验证,使用训练数据集(N40 = 120,每个人口)中描述的主题部分2.1。1,因此,精度报告中央和分散措施在训练获得的。之后,最终验证,混淆矩阵和分类器的性能计算抵抗盲数据集(N= 30,10为每个类对象)。

评估弯曲度的贡献作为一个结构阿尔茨海默病的生物标志物,几个功能组合测试,第一只考虑image-extracted生物标记,然后将生化和认知参数。所有组合进行测试,没有曲折。

3所示。结果

3.1。分割

图1显示了一个示例的大脑结构的分割和标签三个科目HC, MCI,分别和广告。波状外形的区域对应于左半球的白质。减少体积和规范化健康受试者和患者之间发生的体积可以观察到的广告。离散密实度也降低这个结构和弯曲度增加病理过程的进步。这种结构的指标计算表示在图中。

3.2。统计分析

绝对体积,规范化的体积,离散的密实度,皮质厚度和弯曲度计算的分段大脑结构的训练数据集。作为一个例子,图2显示了统计分析进行左顶叶的三种群;用红色突出显示的显著差异, 。

同样的统计分析是应用于所有分段结构(表3),以及认知和生化标志物;节中描述2。1后者,只有BM以脑脊液显示类之间的显著差异,因此,他们在随后的分析中删除。虽然根据MMSE (ADNI数据集分类20.),这个认知得分是广泛用于临床诊断,和几个作者包括后续作业机器学习医学应用。因此,我们考虑过MMSE评分作为代理生物标志物,结合其他形象和生化BMs构成多通道的特征向量。

3.3。随机森林分类

前面解释的一样,使用的三个分析类120例(40 HC, 40 MCI, 40)训练射频标识符。几个BM组合进行测试,以确定每个形态的贡献,如表所示4。相应的精度报告中央和分散措施获得在交叉验证。

泛化能力提出的策略是决定测量精度的抵抗测试集(表5),它构成了30例(10 HC, MCI, 10)以前未见过的分类器。

前两个分类进行了包括image-extracted BMs,考虑弯曲度的个体效应(2^nd行),而之前报道指数(1^圣行)。CSF BMs特征向量,采用(3^{理查德·道金斯}行)和(4^th行)曲折。所有形式包括细微代理生物标记被认为是在过去的两行,再与(6^th行),没有(5^th行)曲折。

识别他们的贡献,每一个特性是根据相关性排名的基尼系数衡量射频分类。图3显示了十个最重要的功能在这个过程决定的。特别是,弯曲度测量在一起顶叶皮质厚度平均最有助于最终分类。

为了确定这个过程引入的错误类型,混淆矩阵得到所有组合,如表所示6。

4所示。讨论

4.1。统计分析

它可以观察到数据2(一个)和2 (b)这个结构,脑容量减少:绝对体积显示统计学意义这三个类之间,而对于标准化的体积 。这些结果同意报告的卡拉斯et al。33),可能是由于形态学变化与广告相关的进化。也可以看出离散密实度(图2 (c))提出了一个类似的减少相关的行为,因为它是结构密度的影响在广告发展;一个统计学意义获得了三个群体之间的差异。这些结果与报道一致(8),这表明密实度是一个有用的指数变化与MCI和广告相关的早期筛查。形态变化与结构在某些大脑区域萎缩,出现由于神经和组织损失,典型的神经退行性疾病(33]。

图2 (d)礼物的行为皮质厚度,减少根据疾病的进展和显示统计差异( )HC和MCI之间人口和HC科目和患者之间的广告。类似的结果在[已报告34)控制对象和对象之间典型的阿尔茨海默氏症(少量),结果表明,受试者的皮质厚度更薄一点的地区时间和顶叶。

相比之下,曲折显示了一个趋势(图2 (e)),可能与大脑结构的侵蚀和皮质盘绕的曲率增加,随着广告的发展。显著差异之间观察到的三个类( )。

结果见表3表明,弯曲度决定为所有大脑结构显著不同HC与MCI(除了右颞叶)和HC与广告(除了左颞叶)。前者比较(HC与MCI)必须强调,因为它有更多的临床相关性,当受试者开始出现早熟的症状。在这种情况下,弯曲度指标是最频繁出现的统计差异分析大脑结构,除了正确的颞叶皮质厚度时,广泛用于文学,显示三分之二的大脑结构的差异。在HC与广告的比较,所有生物标志物是明智的萎缩性变化,现阶段已经明显的疾病,因此,他们为几乎所有的大脑结构存在显著差异。最后,MCI和广告类、弯曲度和皮质厚度是最相关的生物标志物,因为前者只呈现统计差异在右颞叶,而后者没有明显区分的结构。分离这些类,其他生物标记物,如体积和可以使用离散的密实度。与这些比较,可以证实,多变量分析的几个图像生物标记的组合可以提供额外的补充信息,与单独使用生物标记。

统计分析应用于认知和生化参数表明,这些指数呈现显著差异认知测试(MMSE和CDR)和脑脊液蛋白(τ)和β-淀粉样蛋白);这些结果与报道[是重合的20.]人口从同一个ADNI数据库中提取。在任何情况下,没有明显差异的指标从血浆中获得,可能由于疲软的这些参数和疾病之间的联系,在报道35]。作者表明,等离子体β增加并不一定与淀粉样蛋白在大脑的生产过剩,但与肾排泄减少或周围血管疾病,因此提出了一种弱联系广告(35]。出于这个原因,考虑分类只包括脑脊液生化标记的水平。

4.2。随机森林分类

它可以观察到在桌子上4TR本身有助于增加准确性超过9%只考虑图像BMs(行1和2)。图像结合生化BMs,增加2.5%行3和4中可以看到,当添加TR的分类。最后,当把所有图片、生化和认知指标,可以看出,TR 1.67%有助于精度(行5和6)。这些结果反映了TR有助于分类的三种情况:BMs只使用图像,图像+生化,和公司的所有功能,90%的准确性得到了训练数据集(6行最后一列)。

结果与测试数据集(表5)表明,弯曲度增加的贡献高达6.66%时只使用image-extracted BMS,当添加6.67%的CSF水平,3.33%的在考虑所有的生物标志物。

这些结果具有可比性Sivapriya法所得结果与et al。12)期间报告的准确性96.3% 5倍交叉验证射频,但是考虑到参数提取宠物图像。我们的研究结果也可以与萨尔瓦多等报告的表现形成鲜明对比。6]显示分类率高达59% (HC与MCI), 90% (MCI比广告),和96% (HC与广告),考虑image-extracted BM以及认知得分。必须指出,这些研究,神经心理测试的结合大大提高分类率因为认知变化清楚地表达广告的发展,因此采用作为主要临床诊断标准。

我们针对et al。15报告研究几个大脑结构进行了分析,将整个皮质歧视的平均皮质厚度组患者和控制。他们的研究结果显示75%的精度,灵敏度为79%,特异性为71%,使用二次判别分析。作者报告最高精度(94%)当海马旁包括回转。然而,应该注意的是,这些结果只考虑两个种群(健康对照组与AD患者)只有17和19个科目,分别为(15]。

报告的结果(16)表明,阿尔茨海默氏症患者大脑皮层的厚度更薄( )在双边顶叶区域,而额颞叶痴呆患者。阿尔茨海默氏症患者与正常人相比,有一个薄皮层主要在双边、额叶、顶叶、颞叶与枕叶叶( )。分析人口23对照组,22名患者被诊断为广告,额颞叶痴呆患者和19。本研究的分类精度为96%±3%使用交叉验证患者对照组与广告之间的区别。区分额颞叶痴呆患者,最好的结果考虑皮质厚度为85%±6%。区分这两种类型的痴呆,结果是82%±1% (16]。

Nanni et al。36报告分类率在85.5%至92.4%之间,当比较组的(MCI和HC和广告与HC),但雇佣大量的图像特征(2000)选定的几种方法。Perez-Gonzalez et al。8]也测试效率的离散密实度人群的分类对获得精度从85% (MCI和HC)到98.3%(广告与HC)。相比之下,Dimitriadis et al。13报告的分类精度61.9%四组(HC, MCIc, MCInc,广告),但必须指出区分MCIc和MCInc类可引起明显低性能的方法。Payan et al。10)同时进行多组分类(HC、MCI、广告)导致89.5%的准确率,但通过使用一个复杂的基于三维卷积神经网络方法。

结果显示在表6表明,更大的错误出现在MCI组作业,我们的方法错误分类广告和在某些情况下,HC类。这与结果报告Dimitriadis et al。13和拉米雷斯et al。14),分类分别为35%和40%,MCI情况下HC的类,它会导致一个不正确的临床管理的主题。另一方面,结合(V, NV特区CT、TR、脑脊液、和MMSE)进行本研究达到90% HC和广告分类人群和80%的HC和MCI人群分类,HC类与60%和62.5%,95%和92.5%的广告类,分别得到相同的引用作者(13,14]。有必要提到他们包括MCIc类会导致减少的总体性能的方法。

前面的结果表明,弯曲度是一个指标的早期诊断能够提供相关信息的广告。这是基于两个基本参数。第一个是统计结果见表3,这个生物标志物的贡献区分控制对象的类和对象与MCI(广告前阶段)是感激。第二个参数是相关的分类过程表所示5,它可以观察到,在所有情况下弯曲度作为一个功能的时候,分类精度提高。由于这些原因,我们认为这个指标有一个优秀的潜力成为一个有效的早期诊断的生物标志物的广告形象。

5。结论

在这项工作中,分类策略,结合生物标志物从早期的广告获得几个模式检测。的主要贡献是引入弯曲度的措施,通过SOAM计算,作为一个有前途的形态学参数被认为是在疾病的早期阶段。结果表明,弯曲度敏感形态学变化出现在一些大脑结构,能被探测到的萎缩性恶化早在MCI阶段使用生物标志物在本文提出的结合。

这一研究获得的结果显示显著差异的弯曲度指数的分析结构,允许HC与mci和HC与广告之间的歧视;这些发现有特殊的临床相关性检测AD的早期症状。然而,尽管曲折了歧视的能力比其他image-extracted参数(体积,离散的密实度,和皮质厚度)从其他两组独立的HC,它并没有显示出相同的性能区分MCI和广告主题。在这种情况下,其他功能比曲折更高效,这印证了集成和适当的选择不同类型的BMs提供更高的精度。

提出分类策略包含多通道的信息,并允许达到86.66%的精度与以前看不见的数据在测试阶段。这些发现表明,弯曲度可以被看作是一个image-extracted BM,有助于发现早期的广告对象在场的时候第一个疾病的临床症状。

数据可用性

神经心理评估、生物标记、和核磁共振数据用于支持本研究的发现提供的阿尔茨海默病的神经影像学(ADNI)数据库,可以在adni.loni.usc.edu。这研究数据和出版物委员会(ADNIDPC)批准处理这些数据,是正确使用和引用的研究工作。本文的数据用于制备得到的阿尔茨海默病的神经影像学(ADNI)数据库(adni.loni.usc.edu)。因此,调查人员在ADNI导致的设计和实现ADNI和/或提供数据,但没有参与分析或写这份报告。一个完整的清单ADNI调查人员可以找到的http://adni.loni.usc.edu/wpcontent/uploads/how_to_apply/ADNI_Acknowledgement_List.pdf。

的利益冲突

作者宣称没有利益冲突。

确认

爱德华多Barbara-Morales收到CONACYT财政支持,奖学金593171号。数据收集和分享这个项目由阿尔茨海默病的神经影像学(ADNI)(美国国立卫生研究院,格兰特U01 AG024904)和国防部ADNI(国防部,奖号w81xwh - 12 - 2 - 0012)。ADNI是由美国国家老龄问题研究所资助,国家生物医学成像和生物工程研究所和慷慨的贡献如下:AbbVie,阿尔茨海默氏症协会;阿尔茨海默病药物发现的基础;Araclon生物技术;BioClinica有限公司;生原体;百时美施贵宝公司;CereSpir有限公司;Cogstate; Eisai Inc.; Elan Pharmaceuticals, Inc.; Eli Lilly and Company; EuroImmun; F. Hoffmann-La Roche Ltd and its affiliated company Genentech, Inc.; Fujirebio; GE Healthcare; IXICO Ltd.; Janssen Alzheimer Immunotherapy Research & Development, LLC.; Johnson & Johnson Pharmaceutical Research & Development LLC.; Lumosity; Lundbeck; Merck & Co., Inc.; Meso Scale Diagnostics, LLC.; NeuroRx Research; Neurotrack Technologies; Novartis Pharmaceuticals Corporation; Pfizer Inc.; Piramal Imaging; Servier; Takeda Pharmaceutical Company; and Transition Therapeutics. The Canadian Institutes of Health Research is providing funds to support ADNI clinical sites in Canada. Private sector contributions are facilitated by the Foundation for the National Institutes of Health (https://www.fnih.org)。授权者组织是加州北部研究和教育研究所和阿尔茨海默病治疗的研究是协调在南加州大学的研究所。ADNI数据传播的神经成像实验室在南加州大学。Veronica Medina-Banuelos阿尔茨海默病的神经影像学。

引用

1. 问:阮,g . Donofrio d . Sancarlo保z, a•格列柯,和z Yu”大脑病理变化的潜在神经影像生物标志物在轻度认知障碍和阿尔茨海默氏症:系统回顾,“BMC老年病学,16卷,不。1,5页,2016。视图:出版商的网站|谷歌学术搜索
2. d . s . Knopman通用McKhann称,h . Chertkow et al .,“由于阿尔茨海默病痴呆的诊断:建议从国家Aging-Alzheimer研究所协会工作组在阿尔茨海默病诊断指南,”阿尔茨海默氏症和老年痴呆症,7卷,不。3、263 - 269年,2011页。视图:出版商的网站|谷歌学术搜索
3. n . r . Graff-Radford j·e·克鲁克,j·卢卡斯et al .,”低血浆的协会β42 /β40比率增加迫在眉睫的轻度认知障碍和阿尔茨海默病的风险,”神经病学档案,卷64,不。3,354页,2007年。视图:出版商的网站|谷歌学术搜索
4. o·汉森,h . Zetterberg大肠Vanmechelen et al .,”评价的等离子体β40,β42转换的预测阿尔茨海默氏症患者的轻度认知障碍,”神经生物学衰老的没有,卷。31日。3、357 - 367年,2010页。视图:出版商的网站|谷歌学术搜索
5. m . s .艾伯特,s . t . DeKosky d·迪克森et al .,“轻度认知障碍的诊断阿尔茨海默氏症:建议从国家Aging-Alzheimer研究所协会工作组在阿尔茨海默病诊断指南,”阿尔茨海默氏症和老年痴呆症,7卷,不。3、270 - 279年,2011页。视图:出版商的网站|谷歌学术搜索
6. c·塞尔瓦托,卡斯蒂格利奥尼,“包装多标记分类器自动诊断和预后的阿尔茨海默氏症,”神经科学杂志》上的方法卷。302年,58 - 65、2018页。视图:出版商的网站|谷歌学术搜索
7. e . Janousova m . Vounou r . Wolz k . r .灰色,d . Rueckert g·蒙大拿,”生物标志物发现大脑图像稀疏分类的阿尔茨海默氏症,”BMVA上卷,2012年,页1 - 11,2012。视图:谷歌学术搜索
8. j·l·Perez-Gonzalez o . Yanez-Suarez e . Bribiesca f . a . Cosio j·r·吉梅内斯和诉Medina-Banuelos”描述和分类的正常和病理衰老过程基于脑磁共振成像形态措施,”医学影像杂志,1卷,不。第三条ID 034002, 2014。视图:出版商的网站|谷歌学术搜索
9. k·r·格雷·Aljabar r . a . Heckemann a .锤子和d .做出“随机与森林有关的相似性措施综合分类的阿尔茨海默氏症,”科学杂志卷,65年,第175 - 167页,2013年。视图:出版商的网站|谷歌学术搜索
10. a . Payan g·蒙大拿,“预测阿尔茨海默氏症:与3 d卷积神经网络,神经影像研究”2015年,https://arxiv.org/abs/1502.02506。视图:谷歌学术搜索
11. a . v .列别捷夫·e·韦斯特曼,g . j . p v西数et al .,“随机检测和预测森林集合体的阿尔茨海默病between-cohort鲁棒性好,”科学杂志:临床》第六卷,第125 - 115页,2014年。视图:出版商的网站|谷歌学术搜索
12. t·r·Sivapriya a·r·n·b·卡马尔和p . r . j . Thangaiah”整体价值合并为增强多项分类特征选择在阿尔茨海默氏痴呆,”计算和数学方法在医学ID 676129条,卷。2015年,11页,2015年。视图:出版商的网站|谷歌学术搜索
13. s . i Dimitriadis d Liparas, m . n . Tsolaki“随机森林特征选择、融合和整体策略:结合多种形态MRI healhy老年人之间的歧视措施,MCI, cMCI和阿尔茨海默氏症患者:从阿尔茨海默病的神经影像学(ADNI)数据库,”神经科学杂志》上的方法卷,302 5,2018页。视图:出版商的网站|谷歌学术搜索
14. j·拉米雷斯,j . m . Gorriz a Ortiz et al .,“合奏的随机森林的一个与其他分类器预测MCI和广告使用方差分析皮层和皮层下特征选择和部分最小二乘,”神经科学杂志》上的方法卷。302年,47-57,2018页。视图:出版商的网站|谷歌学术搜索
15. j . p .我们针对j . Pruessner a . p . Zijdenbos et al .,“自动皮质厚度测量从MRI可以准确区分阿尔茨海默氏症患者与正常老年人控制,”神经生物学衰老的卷,29号1,23-30,2008页。视图:出版商的网站|谷歌学术搜索
16. a·t·杜n . Schuff j·h·克雷默et al .,“不同区域的皮质萎缩模式在阿尔茨海默病以及额颞叶痴呆,”大脑,卷130,不。4、1159 - 1166年,2006页。视图:出版商的网站|谷歌学术搜索
17. e·布利特g . Gerig s . m . Pizer w·林和s . r . Aylward”测量颅内血管的弯曲度MRA的图像,”IEEE医学成像,22卷,不。9日,页。1163 - 1171、2003https://search.crossref.org/?q=Measuring +曲折颅内+血管+ + + + + MRA图像。视图:出版商的网站|谷歌学术搜索
18. e·布利特曾d、g . Gerig et al .,“船曲折和大脑肿瘤恶性肿瘤,”放射学学术,12卷,不。10日,1232 - 1240年,2005页。视图:出版商的网站|谷歌学术搜索
19. k . t . Diedrich j·a·罗伯茨r·h·施密特C.-K。Kang Z.-H。曹,d·l·帕克“动脉弯曲度测量与应用程序的验证高血压组临床高血压患者,”BMC生物信息学。,12卷,不。10 - 12,2011页。视图:出版商的网站|谷歌学术搜索
20. r·c·彼得森·s·爱森·l·a·贝克特et al .,”阿尔茨海默病的神经影像学(ADNI):临床特征,“神经学,卷74,不。3、201 - 209年,2009页。视图:出版商的网站|谷歌学术搜索
21. a . d . c .阿隆索“改善MRI大脑分割。完全新的分割方法的多光谱方法统计参数映射,“信息学和数学ModellingTechnical。丹麦大学国王,丹麦,2011年,硕士论文。视图:谷歌学术搜索
22. y Aleman-Gomez、l . Melie-Garcia和p . Valdes-Hernandez”IBASPM:工具箱进行自动分割的大脑结构,”程序在第12届年会的组织人类大脑映射佛罗伦萨,意大利,2006年6月。视图:谷歌学术搜索
23. b .费施尔和a . m .戴尔”,人类大脑皮层的厚度测量磁共振图像,”美国国家科学院院刊》上,卷97,不。20日,第11055 - 11050页,2000年。视图:出版商的网站|谷歌学术搜索
24. 刘费施尔,a, a . m .戴尔“自动化歧管手术:构造几何精确和拓扑正确的模型的人类大脑皮层,“IEEE医学成像,20卷,不。1,第80 - 70页,2001。视图:出版商的网站|谷歌学术搜索
25. f . Segonne A . m .戴尔大肠Busa et al .,“混合方法头颅MRI剥离问题,“科学杂志,22卷,不。3、1060 - 1075年,2004页。视图:出版商的网站|谷歌学术搜索
26. m .路透社、h·d·罗萨斯和费施尔,“高度精确的逆一致注册:一个健壮的方法,”科学杂志,53卷,不。4、1181 - 1196年,2010页。视图:出版商的网站|谷歌学术搜索
27. h·d·罗萨斯美国Hersch et al ., a . k . Liu”区域和进步变薄的皮质亨廷顿氏舞蹈症,”神经学,卷。58岁的没有。5,695 - 701年,2002页。视图:出版商的网站|谷歌学术搜索
28. g·r·Kuperberg m·r·布鲁姆p·k·麦奎尔et al .,“区域局部变薄的大脑皮层在精神分裂症,”普通精神病学文献,60卷,不。9,878年,页2003。视图:出版商的网站|谷歌学术搜索
29. 大肠Bribiesca”,一个简单的密实度测量2 d和3 d形状,”模式识别第41卷。。2、543 - 554年,2008页。视图:出版商的网站|谷歌学术搜索
30. e . Bribiesca”的曲折链编码的基础上,“模式识别,46卷,不。3、716 - 724年,2013页。视图:出版商的网站|谷歌学术搜索
31. e·布利特s . r . Aylward t . v .堤坝,和w·林,“计算机辅助测量容器形状的3 t老鼠大脑的磁共振血管造影术,”方法,43卷,不。1,29-34,2007页。视图:出版商的网站|谷歌学术搜索
32. a . Sarica a Cerasa, a•夸特隆,“随机森林算法在阿尔茨海默病神经影像数据的分类:系统回顾,“老化神经科学前沿10页,卷。9日,2017年。视图:出版商的网站|谷歌学术搜索
33. g·b·卡拉斯·Scheltens s . a . r . b . Rombouts et al .,“全球和局部灰质损失在轻度认知障碍和阿尔茨海默氏症,”科学杂志,23卷,不。2、708 - 716年,2004页。视图:出版商的网站|谷歌学术搜索
34. m·莱曼s . j .拐杖,g . r . Ridgway et al .,“皮质厚度和分布形态测量学在后皮质萎缩和典型的阿尔茨海默氏症,”神经生物学衰老的,32卷,不。8,1466 - 1476年,2011页。视图:出版商的网站|谷歌学术搜索
35. o·l·洛佩兹·l·h·库p·d·梅塔et al .,“血浆淀粉样蛋白水平和广告在正常受试者的风险的心血管健康研究中,“神经学,卷70,不。19日,1664 - 1671年,2008页。视图:出版商的网站|谷歌学术搜索
36. l . Nanni c·塞尔瓦托,a . Cerasa,卡斯蒂格利奥尼,“结合多种方法对阿尔茨海默病的早期诊断,”模式识别的字母卷,84年,第266 - 259页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020爱德华多Barbara-Morales et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。