文摘
神经退行性疾病影响大脑形态和连通性,使得复杂网络一个合适的工具和模型的影响进行调查。因为它的刻板模式阿尔茨海默病(AD)是一种天然的基准新颖的研究方法。一些研究调查了网络中心和隔离变化引起的广告,尤其是在一个主题的方法。在这个工作中,整体的角度介绍了基于多路复用的应用网络的概念。我们定义和评估诊断分数描述大脑拓扑和度量疾病影响混合群52正常对照组(NC)和47 AD患者,从阿尔茨海默病的神经影像学(ADNI)。提出的拓扑分数允许准确NC-AD分类:平均曲线下的面积(AUC)是95%,95%置信区间为92% -99%。除此之外,拓扑信息的组合和结构措施,如海马卷,也被调查。拓扑能够捕捉疾病签名的广告,作为一般的方法,它可以找到有趣的应用程序来增强我们与多个异构模式的了解疾病。
1。介绍
近年来越来越兴趣基于措施在磁共振成像(MRI)和diffusion-weighted成像(驾车)研究集中在脑部疾病(1- - - - - -6]。在神经退行性疾病中,阿尔茨海默病(AD)是最常见的痴呆症影响超过500万人(7,8),特点是一个著名的刻板模式涉及整个大脑左特权萎缩,特别是影响一些地区与海马相关认知功能(9- - - - - -13]。然而,目前还不清楚是否结合使用MRI、DWI模式显著提高其诊断。
以前的机器学习研究,研究混合群正常对照组(NC)和广告的病人,报道相互矛盾的结果,一个更明显的效果与轻度认知障碍(MCI)的主题。在某些情况下,醉酒驾车和核磁共振特性显著地提高分类(报道14,15];在别人没有证实这些结果16]。很明显,需要一个公平的比较常见的数据集和验证技术;然而,清单,主要作用是由不同的特性。不同的特性,事实上,不仅提供一个不同的基础知识(自然影响机器学习模型),还捕捉不同临床方面。基于定向扩散措施,如分数各向异性(FA),被广泛用作他们能够检测到连接损伤效应的广告(17]。一些研究显示显著的效果与轴向和径向扩散系数(RD) (18,19]。在其他情况下的巨大影响是显示在RD或平均扩散系数(MD) [20.]。最后,即使是FA主要采用,在某些情况下它可能导致不敏感(21,22]。
值得注意的是,绝大多数的报道结果关注voxelwise DWI-related措施超过全球连通性指标。然而,最近来更精确的和复杂的处理管道进行神经纤维束造影的发展重建(23,24鼓励探索的连通性和拓扑措施量化大脑的变化(25,26]。典型结果特别是固有的广告相关连接中断,最终以小世界的损失27,28大脑的)或富有的俱乐部组织(29日,30.]。AD患者表现出降低网络效率,这意味着异常拓扑组织(31日,32]。
这些研究都是基于两个,不是竞争,潜在的假设;即大脑障碍可以了(我)本地连接障碍(33)或(ii)异常大脑的整体组织(34,35]。当地的障碍假说已基本确认。然而,对于第二个假说已报告令人鼓舞的结果。的确,拓扑的措施可以有检测效果(36,37]。
整体分析,采用从拓扑角度描述了广告效果。多关注当地的障碍我们寻找识别大脑连接组织模式;因此,醉酒驾车tractography用于介绍诊断拓扑得分。至于选择群组T1 MRI扫描也可用;得分比较,结合体积指标来评估其信息内容。提出了方法一般,甚至测试在这种情况下对阿尔茨海默氏症。它允许大脑整体拓扑结构的描述;因此,它的应用对疾病少刻板模式(38),比如精神分裂症或多发性硬化症,可以提供进一步的了解。
2。材料和方法
2.1。大脑的连接矩阵
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(http://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的主要目标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)。
目前从阿尔茨海默病的神经影像学研究99例(ADNI)包括正常对照组(NC)和阿尔茨海默病(AD)患者进行了分析。我们选择这个群体为了每个主题T1 MRI和驾车脑部扫描。t1序列(体素的大小=毫米3;TI = 400毫秒;TR = 6.98毫秒;TE = 2.85毫秒;翻转角度= 11)和醉酒驾车扫描(立体像素大小=毫米3)详细描述(ADNI网站http://adni.loni.usc.edu/wp-content/uploads/2010/05/ADNI2_GE_3T_22.0_T2.pdf);尤其是醉酒驾车46个独立的图像获得:5 t2加权(s /毫米2图像)和41 diffusion-weighted图像(s /毫米2)。人口统计学和临床信息如表所示1。
为每个主题从ADNI获得的DICOM图像数据库。MRICRON软件被用来转换DICOM NIFTI格式,与dcm2nii套件。然后FMRIB软件库(目前)由牛津中心功能核磁共振成像的大脑,特别是其扩散工具包FDT,用于完成图像处理管道;参见图1的总体流程图:(1)涡流校正进行减轻构件由梯度线圈的涡流引起的。(2)大脑提取进行了消除nonbrain组织从每个主题扫描,从而减少分析的计算负担。(3)一个仿射扫描是用来登记空间规范化整个数据集MNI152模板。这一步图像处理阶段是总结道。(4)扩散参数的贝叶斯估计和固有的张量与采样技术拟合得到各体素。这一步是准备随后的概率tractography运行。(5)最后,执行概率tractography获得每个主题的连接矩阵。具体来说,Harvard-Oxford皮质阿特拉斯(http://neuro.imm.dtu.dk/wiki/Harvard-Oxford_Atlas),从而导致大脑分割的96个地区,每个半球48。
最终的输出是一个加权矩阵对称连接的元素代表连接的强度,纤维的数量之间的th和区域。整个图像处理的基本步骤是纤维重建。FDT工具生成一个概率简化或样本分布的位置上真正的简化。通过许多这样的样品后的直方图分布的流线位置或连接然后建造。最后,最可能的特征计算连接两个地区。我们平均连接区域的特征来,反之亦然来获得一个对称矩阵。我们认为所有的非空连接,无视重量信息和获得二进制连接矩阵的元素是直截了当的定义: 作为本研究的重点是大脑的拓扑组织,我们的特权的研究;尽管如此,我们还调查了由连接权重的信息。原则上,重量信息应该帮助群体歧视重量直接影响造成的损伤疾病。然而,值得注意的是,tractography非常敏感的工件和噪音是由于重建算法和结果有时显示生物见解难以解释。
2.2。拓扑重叠
二进制连接矩阵每一个主题的队列是一个紧凑的表示的大脑区域连接。合理和部分证实了假设,推导广告特点的神经退行性疾病,是连接障碍应该直接影响网络拓扑。此外,障碍应该反映病理状况的严重程度;因此,它应该是预期的,严重的广告环境,拓扑应该表现更明显的变化。尽管如此,有时可以掩盖这些地方自然的生物变异效果和巨大的统计力量将被要求调查每个大脑连接,得到一个重要的测量。
我们建议,而不是描述连接全球损失指标,试图捕捉整个大脑的行为。捕获整个队列的信息内容在一个全面的模型我们选择采用新颖的多路网络框架。多路传输网络,从现在起简单的多路复用,通过定义一组网络共享同一节点(39]。一般采用社会科学,自然引入这一概念来描述系统异构交互。作为一个例子,科学作者共同出版可以表示为一个网络;如果这个操作是分层考虑,例如,出现不同的期刊或编辑,还有一个多元化的描述。另一个常见的例子涉及不同的一群人的关系可以分享:社会,地理,物理,只是提到一些。
相同的概念应用在这里,如果我们考虑到解剖区域的固定节点网络,建立一个网络为每个主题好像受试者代表一个分层因素。鉴于这些单一主题的集合网络,多路复用可以直观地表示为一个3 d结构形成的层,一层为每个主题,如图2。
让每一个主题图的多路复用形成的节点,标记区域的Harvard-Oxford地图集层(层和主题在这个工作将互换使用)。多路复用的一个通用的节点和两个通用的科目和可以定义本地节点重叠(40节点的总数)与节点在几层和: 这是真正有用的信息当调查中心节点是如何在每一层中,例如,了解是否有直接关联的关系定义层和作用在它通过一个特定的节点。
然而,从拓扑的角度来看这不是很有用的信息,因为定义拓扑不连接是多么强烈,但他们的存在。因此,采用相同的策略,我们的例子中,我们在这里介绍的链接重叠矩阵和它的元素: 这个矩阵计算的次数一个链接存在在每个层。因此,躺在一个对称矩阵的值时间间隔。
合理的期望,链接重叠应该描述不同层之间的重要关联。现在的一个问题解决的工作是测量是否可以检测出横断面差异混合数控/广告组。因此,我们构建了数控主题和AD患者的多放映场影剧院。对于这两种情况下,重叠的联系矩阵和被计算。这些矩阵成为二进制0.5阈值对数控和广告组,考虑测量分配给每个链接的可能性。
重叠的关系矩阵表示每个人口的连接骨干;事实上可以直接观察质变通过比较数控和广告情况如图3。
(一)
(b)
(c)
重叠的差别矩阵定义为 有一些有趣的性质。这是一个对称矩阵的元素是所有连接的一个数控和广告组和相同的行为只对那些连接,分别或。强调这些差异我们为每个主题介绍一个拓扑连通性分数阿达玛,也就是说,element-wise、产品的和: 与代表的元素和部门考虑了对称的和。以同样的方式得分加权连接可以被考虑在前面的方程引入原始连接矩阵和它的元素: 拓扑分数是为了捕捉疾病如何影响大脑的拓扑组织。加权版本,包括固有的信息连接强度,原则上可以提高两个群体的隔离功能。事实上,我们将在以下部分直接解决这方面。这两个分数终于规范化直接概率解释诊断得分。
3所示。结果与讨论
3.1。量化的评估和分数
评估的能力和捕获的影响产生了疾病对大脑组织我们计算采用分析交叉验证框架。因此,每个分数计算使用不同的重叠从队列的剩余的科目。广告和数控之间的分离,如图4,表示一个显著的影响。
(一)
(b)
(c)
事实上,拓扑的分数导致Wilcoxon价值而对于我们发现。即使两个值显示意义,测量了科恩的相对影响距离显示,有更大的影响,几乎两倍,比与。定性的影响也表现在比较分数分布,如图4 (b)和4 (c)。数控的加权分数和广告显示更添上如果与拓扑的分数。
这些结果表明,该拓扑的分数有显著联系疾病效果,换句话说,他们是正确的测量的拓扑分化影响患病的大脑。提供的拓扑分数导致诊断指数比加权变异更有效,他们显然相关措施,如图5。
不过,皮尔森的相关性不是作为一个可以预期的那么高。这一结果表明,信息由两个分数并不是多余的。除此之外,这个结果可以解释的信息内容的质量由两个分数。有趣的是,拓扑分数提供更好的质量信息甚至无视额外重量信息。但得分加权拓扑应该值得进一步研究,尤其是旨在消除,如前所说,嘈杂的连接和产生的工件tractography重建算法明显负面影响其辨别能力。
3.2。大脑拓扑和解剖学
另一个重要方面关于拓扑分数解释和加权版本是否能或不能直接与大脑解剖学。这种分析特别是旨在量化是否存在关联的拓扑组织萎缩的大脑和大脑特定区域与疾病有关。这个测试应该在特定轮廓结构的MRI和醉酒驾车是如何更好地描述和区分病变模式相结合。
首先,我们计算了卷皮层下的特性感兴趣的广告。具体来说,我们测量了左丘脑的卷(届),Left-Caudate (L-Cd),左壳(L-Pt),左螺旋体(L-Pa),左海马(L-Hp),左杏仁核(我),左依核(L-Ac)对丘脑(带有),右尾状(R-Cd),右壳核(R-Pt),右螺旋体(R-Pa),对海马体(R-Hp),右杏仁核(R-Am),与目前核(R-Ac)和右快工具。然后我们测量了皮尔森的每个地区和我们建议的成绩之间的相关性和。结果如图6。
层次聚类的相关性被命令,以这种方式更相关的地区往往被放置在一起的相关矩阵。这是原因,例如,左/右的清单配对地区。值得注意的是,两者都有和不相关的结构特点。这个结果表明拓扑的大脑组织包含内在的信息,它不与结构测量。最相关的结构特点提出了分数()是海马体积。
测量所提供的信息内容和我们与他们两人训练之前证明他们没有多余的(我们)与500年支持向量机模型倍交叉验证。显然,为了避免任何偏见在这一步中矩阵的计算,,再次执行,但只考虑训练样本。这个测试也允许评估中包含的信息和相比,与结构特点源自T1扫描。对于这个措施我们采用曲线下的面积(AUC)接受者操作特征(ROC)曲线。结果在图进行了总结7。
平均AUC对应和分数为95% 95%置信区间为92% - -99%。为关心的性能结构特点有一个76%的AUC急剧下降,66% - -86%的置信区间。有趣的是,当结合的信息结构特点和拓扑不出现重大的影响。事实上,AUC是93% 95%置信区间为0.88 - -0.98。
结构和拓扑特性如图不相关6;因此,有可能会发现一个改进的分类,结合两种类型的特性。然而,正如前面提到的,这仍然是一个悬而未决的问题。关心这项研究,这些结果让我们假设可能有误导作用由混杂特性。为了测试这个假设我们使用在结构特点只有海马体积;测量AUC(88%, 95%置信区间75% -91%)略高于使用整个组的结构特点;其效果也有所改善,即使不明显,整体分类性能与拓扑特性(AUC 97%、95%置信区间94% -100%)。
这个结果表明,仔细特征选择策略应该应用于获得一个有效的信息贡献来自不同成像模式。
4所示。结论
在这项研究中一个新颖的方法来描述大脑组织从拓扑角度。特别是,因为著名的刻板模式描述广告,我们选择使用这个病理作为基准。拓扑评分和加权变异已定义,用来训练支持向量机混合NC /广告组。结果表明,拓扑信息能够有效地检测病变模式(AUC = 95%, 95%置信区间92% - -99%)。
在这项研究中我们也解决的问题量化相结合的效果与拓扑的mri特征。我们发现他们的组合可以提高分类精度;尽管如此,这是严格相关质量的结构特点。事实上,当使用所有可用MRI特征分类性能下降;相反,它略提高了使用海马体积与广告的联系是众所周知的。一个微妙的效果应该更好更大的群组研究中进行调查。
获得的性能可以与最好的结果在文献中报道,到目前为止,但可能的改进包括一个更精致的研究加权网络,而不是他们的二进制版本;然而,这不能被认为是本研究的一个限制,它的主要目标是研究大脑拓扑和理解提出的拓扑措施是否适用于临床的目的。
提出了方法一般,即使在这种情况下定制在阿尔茨海默氏症。对于未来的工作,我们建议探讨这种方法应用于混合组还包括MCI主题,试图解决歧视问题的主题之间转换的广告,以及广告的早期诊断。患者受神经退行性疾病导致认知障碍可有效地诊断和监控这些测量,一个有用的特征e-health领域的技术创新,例如,远程医学应用,或药理行业,针对药物疗法的发展和临床试验。进一步的调查可以针对疾病影响大脑组织以更少的刻板模式。
信息披露
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(http://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/wp-content/uploads/how_to_apply/ADNI_Acknowledgement_List.pdf。
相互竞争的利益
所有作者披露任何实际或潜在的利益冲突,包括任何金融、个人或其他关系与他人或组织不当可能影响他们的工作。
确认
n Amoroso承认其资金由意大利MIUR格兰特棱镜鳕鱼。PON04a2_A。本研究也支持了史重回di运动Nucleare (INFN),意大利。数据收集和分享这个项目是由阿尔茨海默病的神经影像学(ADNI)(美国国立卫生研究院的资助U01 AG024904)和国防部ADNI(国防部奖。W81X wh - 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,并通过慷慨的贡献如下:阿尔茨海默氏症协会;阿尔茨海默病药物发现的基础;BioClinica有限公司;生原体Idec Inc .);百时美施贵宝公司; Eisai Inc.; Elan Pharmaceuticals, Inc.; Eli Lilly and Company; F. Homann-La Roche Ltd. and its aliated company Genentech, Inc.; GE Healthcare; Innogenetics, NV; IXICO Ltd.; Janssen Alzheimer Immunotherapy Research & Development, LLC.; Johnson & Johnson Pharmaceutical Research & Development LLC.; Medpace, Inc.; Merck & Co., Inc.; Meso Scale Diagnostics, LLC.; NeuroRx Research; Novartis Pharmaceuticals Corporation; Pfizer Inc.; Piramal Imaging; Servier; Synarc Inc.; and Takeda Pharmaceutical Company. The Canadian Institute 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 (http://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的研究协调合作研究的加州大学,圣地亚哥。ADNI数据传播的神经成像实验室在南加州大学。