一个新颖的方法,微分的大脑退化性疾病预后使用Radiomics-Based结构分析和整体学习分类器

文摘

我们提出一个新颖的方法来开发一个计算机辅助决策支持系统为放射科医生帮助他们大脑退化过程生理或病理分类,帮助在大脑退化性疾病的早期预后。我们的方法计算和数学公式适用于从生物医学图像中提取定量信息。我们的研究探讨了纵向OASIS-3数据集,它由4096年的大脑核磁共振扫描收集的15年。我们使用Pyradiomics python包执行特征提取,数字转换大脑核磁共振图像使用不同的纹理分析方法。研究表明,Radiomics很少被用于分析大脑的认知;因此,我们的研究也是一个小说努力确定Radiomics特征提取的效率结构分类的MRI扫描对Radiomics大脑退化性疾病和创造意识。整体学习分类任务,我们探索各种分类算法如随机森林,bagging-based系综分类器,gradient-boosted系综分类器XGBoost和演算法等。这种整体学习分类器并没有被用于生物医学图像分类。我们也提出一个新颖的纹理分析矩阵,减少灰度矩阵或DGLM。特征提取这个过滤器有助于进一步改善我们的决策支持系统的准确性。 The proposed system based on XGBoost ensemble learning classifiers achieves an accuracy of 97.38%, with sensitivity 99.82% and specificity 97.01%.

1。介绍

医学图像处理过去二十年以来已经走过了漫长的旅程。过去的十年见证了医学和信息技术的桥梁。它导致了决策支持系统的开发各种脑部疾病的早期识别。年龄和大脑的结构性变化引起的生理变化,反映在日常的人类行为(1,2]。年,已经进行了各种研究和不断尝试研究痴呆。

研究[3- - - - - -5专注于特定区域的脑容量的兴趣,这些都是计算从二维手动跟踪领域。分割算法用于段灰质(GM),白质(WM)和脑脊液(CSF)。等体积的研究是有限的已知的大脑结构如海马和杏仁核,边缘,嗅皮质和海马旁皮质。

分布研究[6- - - - - -8提供另一种神经影像学方法。这些研究使用一般线性模型(GLM)每体素核磁共振和统计进行比较与标准使用詹姆斯一世的体素值矩阵。

许多研究[9,10]给出详细的见解比较基于体素和体积之间的研究。

几项研究[11- - - - - -13)使用皮质厚度测量的生物标志物识别各种大脑衰老疾病的过程。

与机器学习技术的进步为图像处理和图像分析和大量的医学影像数据的可用性,医学信息(14,15)取得了非常高的。车间MICCAI 2014”挑战的计算机辅助诊断痴呆结构磁共振成像数据”地址的挑战应用不同的算法在相同的数据和算法在不同数据。所有算法的总结提出了MICCAI 2014上市16]。本文做了一个标准化的比较不同研究领域的计算机辅助决策支持系统的识别使用结构化的MRI数据痴呆症引起的疾病。表现最好的算法取得了63%的准确性和接受者操作特征曲线下的面积值78.8%。

回顾各种研究用于脑部疾病检测使用机器学习技术是发表在17]。另一个评论最新的图像处理技术研究大脑病理学总结了(18]。

一组研究已经完成在氧气供应如何改变大脑功能19,20.]。

医学成像的功能形式包括MRI(磁共振成像)、PET(正电子发射断层扫描)和CT(计算机断层扫描)给了我们一个了解器官的病理生理学的观察。放射科医生分析这些信息与他们的经验和知识。他们发现这个费时和繁琐。在这项研究中,我们探索机器学习技术分析数据从医学图像中提取。机器学习是研究算法,解决问题的学习从基础数据中的模式,而不是统计启发式或基于规则的编程。Radiomics [21,22)艾滋病从医学图像中提取成像进行统计生物标记物可以用作机器学习功能方法获得准确的预测。老龄化导致的大脑退化,这可能会导致痴呆,进一步诱发此类疾病如阿尔茨海默氏痴呆,血管性痴呆,痴呆和路易体痴呆后皮质萎缩,前颞叶的退化。这些疾病影响大脑的不同区域。临床痴呆评定痴呆或CDR五分制的阶段,从0到3,0表示没有病理性退化(控制病人),而任何值大于0表示一些病态的大脑退化(测试)的病人。

在这项研究中,我们提出一个新颖的方法来开发一个计算机决策支持系统能够区分控制病人从测试病人的MRI图像使用Radiomics通过分析特性。这个系统可以用来帮助放射科医生快速和准确的决策。(1)我们探索OASIS-3数据集23),这是一个纵向数据集有4096核磁共振扫描。这个数据集也给具体细节如何CDR值变化为主体对主体的MRI扫描的变化。这些评级标签可用于核磁共振扫描的健康的扫描或扫描大脑退化的迹象。使用这些标签进行扫描,监督机器学习二元分类器可以被训练来支持大脑退化的预后(2)我们采用数据预处理的最佳实践,如数据增强和特征选择,帮助减少过度拟合和underfitting达到最优的分类器和驱动数据准确性(3)特征提取是使用Pyradiomics完成,它提供了一个python实现的研究24]。Pyradiomics提供了一套统一和标准化的特点从结构化的核磁共振成像基于形状和体积以及texture-based统计特性。高级Pyradiomics算法可以处理缺失数据的低分辨率磁共振成像扫描。文献研究表明,Radiomics一直探索肿瘤研究[25,26),但不是为了理解大脑认知。我们的研究也是一个努力确定Radiomics的效率特性结构的核磁共振扫描的大脑变性疾病的分类(4)我们探索各种整体学习分类算法如随机森林,bagging-based系综分类器,gradient-boosted系综分类器如XGBoost和演算法为分类任务。这种整体学习分类器并没有被用于生物医学图像分类(5)我们提出一种新颖的图像纹理分析过滤,减少灰度矩阵,进一步提高我们的整体学习分类器的性能

我们得出结论本文通过比较新颖的解决方案与现有从事这个领域的工作。我们的结果表明,该解决方案优于现有研究各种性能指标如准确性、特异性和敏感性。

2。材料和方法

2.1。数据采集

磁共振成像是一个过程,获取的图像解剖结构使用磁场和射频信号来检测疾病和功能问题。“图像拍摄”不同的对比,不同的组织和体液反应不同磁化信号。组织消磁时间是不同的不同的组织。这些时间被确定为T1和T2。组织影响核磁共振的另一个特点是它的质子密度称为PD。图1描述了完整的核磁共振收购的过程。

在我们的研究中,我们使用了最新OASIS-3数据集(23脑磁共振],它是一个开源的数据库于2019年出版。最早期的研究已经完成使用ADNI数据集,横断面数据集和不包括超过500例。OASIS-3是最大的纵向纵向数据集的MRI图像,由1068例(年龄46到95),收集了15年。

“CDR是5点量表用来描述六个领域的认知和功能性能适用于阿尔茨海默病及相关痴呆:内存、取向、判断和解决问题,社区事务、家庭和爱好,和个人护理。必要的信息以使每个病人的评级是通过半结构化访谈和可靠的线人或抵押品的来源(如家庭成员)”27]。

OASIS为每个主题数据库还提供了CDR。CDR的价值观的人在特定的时间内可能会或可能不会是相同的。有多个扫描相同的主题(4 - 5次)在15年的时间与不同的CDR值。这些扫描可以进一步作为样本。因此,数据库有4000多个核磁共振成像。

2.2。数据预处理

我们进行数据预处理使用Python和FreeSurfer [28]。下面列出了主要步骤的数据预处理和更多的视觉效果如图2。

2.2.1。数据增加

我们增强我们的数据使我们对差异数据分类器更宽容(防止过度拟合)和增加数据集大小(防止underfitting)。我们采用4增强技术:(1)翻转。每个图像水平以及垂直翻转。(2)扩展。每个图像缩放在“”或“”方向的帮助下一个变换矩阵 。(3)旋转。仿射变换矩阵给了MRI图像在不同的方向旋转。”25岁至195岁”是不同的。(4)剪切机。仿射变换矩阵应用于每个图像剪切值变化从0.3到0.7。

2.2.2。De-Oblique

在磁共振成像过程中,主题的头可以倾斜从覆盖整个大脑或避免文物造成水和空气的鼻子和眼睛。这导致核磁共振是斜,使主体或intrasubject登记更加困难。核磁共振图像数据集de-obliqued使用FreeSurfer软件。

2.2.3。不均匀性校正

大脑由不同类型的组织像灰质(GM),白质(WM)和脑脊液(CSF),所有这些组织有不同的渗透范围磁场和可能导致非常明亮的或非常乏味的文物在MRI图像。这可能混淆放射科医生因为某一特定类型的所有组织应该准确的强度和亮度值。纠正这就是所谓的非均匀性校正的过程。

2.2.4。头骨剥离

nonbrain部分(头骨,脖子,眼睛和鼻子)被从所有核磁共振图像有一个统一的研究领域。

2.2.5。登记

大脑由非常细的空间结构,由于它很难从不同的图像提取和集成的信息。皮质的厚度可以小至5毫米。丘脑核只延伸到几毫米的厚度。登记的过程调整不同MRI图像,这样一个特定组织的体素从所有这些图像对应于相同的3 d位置。我们应用和调整注册参数,即。,translations, rotations, scaling, and shear operations at voxel level to make the MRI images concurrent.

2.3。特征提取

2.3.1。基于形状特征

提取特征形状的基础上,我们研究了核磁共振成像的空间特征如图3。

片:核磁共振是一个3 d图像。它由一组连续的2 d切片。矢状,这些片可以代表轴向或纵向截面的大脑。

体素:每片被细分为行和列。每行和每列的交叉点代表一个大脑的体积。这就是所谓的体素。场矩阵的一个特定的大小片用于确定体素的大小。立体像素细节描绘在图4。

形状特征包括3 d形状和大小的传说。我们把整个大脑面积和体积感兴趣的地区。一个三角形网格封装整个大脑区域被用来提取各种形状特性。数据5(一个)和5 (b)说明大脑都被视为一个网格表面(28]。网已经三角形的数量。

从这个网状大脑表面,如图5 (b)后,我们计算了不同的形状特性(24]。(我)网格体积 (是四面体的顶点) (2)体素量。

整个大脑体积可以通过乘以体积体素的体素在大脑中。(我)表面积。

计算表面积的整个大脑,它分为小网格区域。我们首先计算每个网格的面积,然后和他们所有人。(我)比表面积对体积的大脑。 (2)降低比率更紧密(3)最大的3 d直径。最大的欧几里得距离各种网格表面整个大脑。(iv)的最大直径2 d切片。这是定义为最大的欧几里得距离整个大脑网格表面网格顶点的轴面。(v)长轴长度。(vi)这个特性计算的最大轴长度整个大脑区域(七)短轴长度。(八)这个特性代表了整个大脑区域的最小轴长度(第九)伸长。这个特性之间的关系给整个大脑的最大和最小的组成部分。(x) (十一)

2.3.2。一阶特性

这些特性的统计分析得到整个大脑基于体素值强度(24]。

让是一组体素在整个大脑。

让离散程度的强度在整个大脑是一阶直方图。

规范化一阶直方图 (我) (2)总能量=(3) (iv) (v)10^th百分位的(vi)90年^th百分位的(七) (八) 是整个大脑的平均灰度强度(第九) (x) (十一)绝对平均偏差=(十二) (十三) (十四) (十五) (十六)

2.3.3。灰度同现矩阵(24]

GLCM纹理滤波器,给出了一组特定像素的像素分布 在一个特定的方向和距离。的 |灰度共生矩阵值代表的次数;像素的强度与强度共存与角和距离 。图6应用灰度共生矩阵建立展示了如何可以获得图像矩阵。不同的配色方案显示特定像素的共存。一般来说,以下统计特征提取,然后应用灰度共生矩阵建立平均在每个方向(角度)。(我)自相关(2)联合平均(3)熵(iv)方差(v)对比(vi)能源(七)同质性(八)逆运动的区别(第九)逆方差

2.3.4。灰度区大小的矩阵(24]

GLSZM量化不同的像素强度值在不同大小的区域。大小区域被定义为连接的相同的像素或体素灰度不考虑方向。的 GLSZM元素代表强度值的次数大小的区域存在于图像矩阵。图7描述了如何从图像获得GLSZM矩阵。不同的颜色表示不同的区域大小不同的强度值。

GLSZM可以用来提取以下特点:(我)强调小范围(2)强调大面积(3)灰度不均匀性(iv)的归一化灰度不均匀性(v)区域大小不均匀(vi)规范化区域大小不均匀(七)的低灰度强调小范围(八)的高灰度强调小范围(第九)的低灰度强调大面积(x)的高灰度强调大面积

2.3.5。灰度运行长度矩阵(GLRLM) [24]

运行在一个强度GLRLM被定义为连接像素的长度相等强度的值和在一个特定的方向。GLRLM元素 代表一个特定的次数运行长度的强度方向发生在图像矩阵。图8描述了如何从图像中获得GLRLM矩阵。不同的颜色表示不同的运行长度的特定长度在一个特定的方向。

GLRLM用于提取以下特点:(我)强调短期(2)强调长期(3)非均匀灰度(iv)归一化非均匀灰度(v)非均匀运行长度(vi)归一化非均匀运行长度(七)运行百分比(八)方差的灰度(第九)运行方差(x)运行熵(十一)低灰度运行的重点(十二)的高灰度强调(十三)短期的低灰度强调(十四)短期的高灰度强调(十五)长期的低灰度强调(十六)长期的高灰度强调

2.3.6。邻近的灰色基调不同矩阵(24]

在这里,我们考虑邻近像素的像素距离的像素。这个矩阵的绝对差异的体素及其邻近像素点的灰度值。让是整个大脑体素的集合;然后, 属于在哪里表示灰度体元的位置 。附近的平均灰度给出如下: 在哪里在整个大脑像素点的总数。(我)让表示图像中灰色的价值水平(2)让表示灰度的像素点的数量(3)让表示灰度概率(iv)让是灰度的绝对差的总和

数据9(一个)- - - - - -9 (d)是所需的NGTDM像素强度1 - 4。图9 (e)描述了不同的灰色的绝对差异水平计算。不同的颜色被用来追踪特定灰度的邻国如以下示例所示,我们有5个离散灰色1到5的水平。图10是最后的NGTDM。

从NGTDM特性计算如下:(我)这些人地区粗糙也的(2)Neighbourhood-based对比(3)在体素灰度级的变化率(iv)邻里灰色水平的复杂性(v)周围灰色的力量水平

2.3.7。灰度相关矩阵(24]

GLDM代表一个灰度的相关性在其他灰色的水平。它被定义为一组相连的像素点距离之内依赖中央体素。的体素灰度依赖于另一个的体素灰度吗如果

的GLDM元素 表示频率的体素灰度值依赖与它共存体素灰度发生在整个大脑图像。图11描述如何获得GLDM从大脑核磁共振 ,即。,5discrete gray levels, ,和 。GLDM列从0开始,它可以去任何有限数量的体素的依赖。

上述GLDM用于提取以下特点:(我)小依赖意义(2)依赖大意义(3)灰度不均匀性(iv)依赖的异质性(v)依赖异质性规范化(vi)灰度偏差(七)依赖偏差(八)熵的依赖(第九)的低灰度意义(x)的高灰度的意义(十一)小的依赖和低灰度的意义(十二)小的依赖性和高灰度的意义(十三)大的依赖和低灰度的意义

2.3.8。减少灰度矩阵(小说过滤器)

我们提出一个新颖的滤波器矩阵改进特性集。 DGLM代表出现的像素的像素与强度和像素强度这样 。图12描述和获得的DGLM形象 和= 1。颜色是用来跟踪的位置像素的条件 适用。

DGLM用于提取以下特性在四个方向,即。、0、45、90和135。然后,平均得到的总结以下特点:(我)能源(2)的意思是(3)绝对平均偏差(iv)偏态(v)峰度(vi)熵(七)自相关

2.4。特征选择

特征选择是一个过程,评价和选择最重要的特性集的所有特性取决于他们的贡献手头的机器学习任务。这个过程帮助我们选择我们的特性预测相关性最高的分类任务。这反过来也有助于消除冗余特征。

在我们的研究中,我们专注于基于树的分类方法。这些方法具有内在特征选择方法。使用这些内在的方法,我们发现,每个分类器的特征的相关性。

图13(一)表示,这部小说功能“一阶意味着DLGM”最高XGBoost分类器的预测能力;因此,它是最重要的特征分类器。XGBoost分类器的另一个重要特性如下:(我)降低一阶平均0.26灰度矩阵的特性(2)0.16灰度相关矩阵特征的高灰度强调(3)0.14灰度的长度矩阵特征灰度跑的重点(iv)0.08灰度同现矩阵特性相关(v)0.05灰度同现矩阵功能集群阴影(vi)减少灰度矩阵特征信息的相关性

图13(b)表示,这部小说功能“一阶意味着DLGM”最高的演算法分类器的预测能力;因此,它是最重要的特征分类器。演算法分类器的另一个重要的五大特点如下:(我)降低一阶平均0.17灰度矩阵的特性(2)邻近的灰色基调不同矩阵特征0.05忙碌(3)减少灰度矩阵特性最大相关系数0.04(iv)0.035减少灰度矩阵特征信息的相关性(v)0.03灰度同现矩阵特性相关

图13(c)表示,这部小说特性“DLGM最大相关系数”的最高装袋分类器的预测能力;因此,它是最重要的特征分类器。装袋分类器的另一个重要的五大特点如下:(我)减少灰度矩阵特性最大相关系数0.16(2)0.05灰度相关矩阵特征依赖大重点(3)0.03减少灰度矩阵特征信息的相关性(iv)平均0.03灰度同现矩阵特性差异(v)0.03灰度相关矩阵特征的高灰度强调

图13(d)表示,这部小说特性“DLGM一级的意思是”最高的随机森林分类器的预测能力;因此,它是最重要的特征分类器。随机森林分类器的另一个重要特性如下:(我)降低一阶平均0.12灰度矩阵的特性(2)0.07减少灰度矩阵特征信息的相关性(3)减少灰度矩阵特性最大相关系数0.06(iv)灰度矩阵长度特性的高灰度跑0.05重点(v)0.05一阶平均绝对偏差

2.5。nsemble学习分类器

“整体学习是机器学习范式,多个学习者训练来解决相同的问题。相比普通的机器学习方法,努力学习一个假设训练数据,整体方法试图构造一组假设,并将其组合在一起,使用“(29日]。很多研究[30.,31日]证明了一组学习者的泛化能力远远大于一个学习者。系综分类器已应用在多种领域,如网络安全、入侵检测系统、人脸识别系统和交通控制系统。系综分类的概念分为两个阶段:(一)分类器代(b)这些分类器的聚合的结果

有三种方法分类器生成和聚合。(我)装袋(2)提高(3)叠加

2.5.1。装袋

在这种方法中,不同的训练数据集生成的重采样训练数据集,即。,替换一些随机样本。假设我们有以下的数据集:(4、5、6,7,8,9,10),我们有5个分类算法。一个不同的数据集是由随机重采样数据和传递给每个分类器训练:

数据集分类器0(4、5、5、7、8、10、10)通过更换6 5和9 10。

数据集分类器1(4、5、7、7、9,9,10)代替6 7和8 9。

数据集分类器2(5、5、7、7、9,9日,6)取代4 5和10×6。

所有这些分类器的结果聚合时预测和推理时间。

2.5.2。提高

提高试图创建链不同的分类算法。链与最佳的性能在训练数据然后用于推断,回到我们之前的例子,我们有我们的训练数据集(4、5、6,7,8,9,10)和5分类算法。如果我们创建链3分类器,我们可以创建10个这样的连锁店。创建一个链3分类器以下列方式:(一)一批训练数据集通过分类算法1,即。分类器0

数据集分类器0(4、5、6,7,8,9,10)(b)基于分类器的性能0培训一批,整批重新分配。错误地预测样本的分类器0)(培训经常选择批量创建分类器1批。通过这种方式,分类器1将试图改进所做的错误分类器0。这是真的链中的每个分类器

数据集分类器1(4、5、7、7、9,9,10)代替6,7,8,9,7和8错误预测。(c)相同的过程将重复分类器2

数据集分类器2:(10 9、7、7、9,9,10)代替4和10的5 7既4和5是错误的预测。

从本质上讲,提高将创建并选择集体链就是能给更好的结果比其他链。

在这项研究中,我们研究了两个提高系综分类器XGBoost和演算法。从我们的研究结果是很明显的,这些分类器的预测精度远远高于装袋分类器。

2.5.3。叠加

堆积通常是2步的方法。在步骤1中分类器被称为基础学习者虽然步骤2中的分类器被称为叠加模型的学习者。一些分类算法的每一步都是一个整体。预测的基础学习者作为叠加模型的数据集学习。注意,基本级分类器的预测仍然保持与初始数据集关系叠加级别分类器可以理解。从叠加模型预测学习者在推理时使用。

3所示。结果

随着精度,最重要的指标来分析生物机器学习研究的敏感性和特异性。

灵敏度是衡量真正的优点,这意味着准确识别患者的疾病。测试应该有更多的真阳性和最低假阴性。假阴性的意思是我们可能错过疾病的积极的识别。我们的研究是一种筛选试验因此应该有更多的敏感性。表1显示最高灵敏度是99.82%因此根据筛选试验。

特异性是衡量真正的否定,这是一个测试的能力准确地排除疾病。研究的目标是最低假阳性。作为这项研究筛选试验,我们可以假警报,不具体。我们研究的特异性为97.01%。

这三个指标是衡量与以下公式:

(我)

(2)

(3)

3.1。分析不同的搭配方法和结果

在我们的研究中,我们观察到,提高整体学习分类器如演算法和XGBoost执行比装袋和随机分类器。装袋分类器和随机森林分类器收益率几乎相同精度87%。表中列出的结果1。曲线下的面积的计算精度是描绘在图14所有四个系综分类器。

4所示。结论

在这项研究中,我们提出了构建决策支持系统为放射科医生为了做出快速、准确的决策早期检测大脑退化的CDR值映射到核磁共振图像。最重要的性能指标计算机辅助生物医学研究领域的敏感性,特异性和准确性。在这项研究中,我们已经表明,更好的数据收集和预处理(数据增强和特征选择)以及gradient-boosted合奏学习分类器有助于改善3指标。

数据是最重要的因素之一,驾驶任何研究的准确性。在我们的研究中,我们致力于OASIS-3数据集,这是一个纵向数据集有4096核磁共振扫描横断面数据集上进行早期研究的同时也不到500核磁共振扫描。这个数据集也给具体细节如何CDR值变化为主体对主体的MRI扫描的变化。任何机器学习系统需要大量的数据优化训练。在我们的研究中,我们还采用数据增强技术。数据增强了我们对方差分类器更宽容的数据;这可以防止过度拟合。数据增加的另一个重大影响是增加数据集大小从4096年到10000年核磁共振扫描;这可以防止underfitting。减轻过度拟合和underfitting有助于实现最佳精度在任何数据集,不管所使用的分类器。

我们的领域专家(Kunal贾殷博士和Tanu)表明,大脑退化不是本地化,影响大脑作为一个整体。因此,我们充分利用整个大脑研究和分类。

我们尝试了Radiomics特性和发现,我们的数据,最有前途的特性(我)GLCM相关性,集群阴影,关节平均和集群(2)GLRLM灰度运行强调,短期的高灰度强调,强调短期的低灰度和灰度方差(3)NGTD矩阵是忙碌(iv)GLDM高灰度的强调和小依赖低灰度的强调(v)GLSZM小面积低灰度强调

我们的研究也提出了一种新颖的纹理过滤DGLM。特性的意思是,信息的相关性,相关系数最大,一阶熵,并从小说一阶偏态DGLM精度从95.6%提高到97.38%。

这项研究还重申这一事实系综学习分类器通常比一个更准确的分类算法。研究发现gradient-boosted分类器不遭受过度拟合,也有助于降低泛化误差,因此提高精度,灵敏度和特异性。

研究结果已经比其他不同的研究在这一领域如表所示2。

数据可用性

在这项研究中,我们使用了开源的数据。数据存在于https://www.oasis-brains.org/,数据请求Oasis-3大脑团队,它提供了登录和密码下载数据;同样的,在需要的时候可以共享。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

我们真诚地承认库纳尔•贾殷博士(黑带)和Tanu博士(BDS)为他们的指导,因为他们澄清事实和大脑解剖学和组织的功能细节。

引用

1. c·l·格雷迪,”功能性大脑成像,与年龄相关的认知的变化。”生物心理学,54卷,不。1 - 3、259 - 281年,2000页。视图:出版商的网站|谷歌学术搜索
2. b·j·凯西,j . n .吉德(和k·m·托马斯“大脑结构和功能的发展及其与认知发展的关系,“生物心理学,54卷,不。1 - 3、241 - 257年,2000页。视图:出版商的网站|谷歌学术搜索
3. c·r·杰克,r·c·彼得森徐y . c . et al .,“预测广告和mri海马体积在轻度认知障碍,”神经学,52卷,不。7,1397 - 1403年,1999页。视图:出版商的网站|谷歌学术搜索
4. w . j . c . Pruessner l . m . Li Serles et al .,“容量测定海马和杏仁核与高分辨率核磁共振成像和三维分析软件:最小化实验室之间的差异,”大脑皮层,10卷,不。4、433 - 442年,2000页。视图:出版商的网站|谷歌学术搜索
5. j . c . Pruessner美国科勒,j .起重机et al .,“temporopolar容量分析,边缘,嗅皮质和海马旁皮质从高分辨率图像先生:考虑抵押品沟的可变性,”大脑皮层,12卷,不。12日,第1353 - 1342页,2002年。视图:出版商的网站|谷歌学术搜索
6. j . ashburn和k . j . Friston”分布形态测量学方法,”科学杂志,11卷,不。6,805 - 821年,2000页。视图:出版商的网站|谷歌学术搜索
7. j . c .男爵g . Chetelat Desgranges et al。”在活的有机体内映射的灰质损失分布形态测量学在轻度阿尔茨海默氏症,”科学杂志,14卷,不。2、298 - 309年,2001页。视图:出版商的网站|谷歌学术搜索
8. j·l·Whitwell”分布形态测量学:一个自动化技术评估大脑的结构性变化,“《神经科学杂志》上卷,29号31日,第9664 - 9661页,2009年。视图:出版商的网站|谷歌学术搜索
9. b . c . Emerton m·杰拉姆(richard Jerram) t . Deckersbach d·d·多尔蒂,c . Fulwiler Gansler d . A,“比较分布形态测量学和容量分析方法的神经基础侵略的背景下,“脑成像和行为,3卷,不。4、332 - 341年,2009页。视图:出版商的网站|谷歌学术搜索
10. k·肯尼迪,k。埃里克森,k·m·罗德里格et al .,“与年龄相关的区域脑容量的差异:比较优化分布形态测量学手工容量分析,“神经生物学衰老的,30卷,不。10日,1657 - 1676年,2009页。视图:出版商的网站|谷歌学术搜索
11. 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》上的美利坚合众国,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
12. a·c·Burggren m . m . Zeineh公元埃克斯特龙et al .,“减少在海马皮质厚度条件在认知正常的载脂蛋白E e4的航空公司”科学杂志第41卷。。4、1177 - 1183年,2008页。视图:出版商的网站|谷歌学术搜索
13. a . Bakkour j·c·莫里斯,b . c·迪克森,“前驱的广告的皮质特征:区域变薄预测轻度AD痴呆,”神经学,卷72,不。12日,第1055 - 1048页,2009年。视图:出版商的网站|谷歌学术搜索
14. 即Kononenko”,机器学习医学诊断:历史、艺术和角度来看,“人工智能在医学上,23卷,不。1,第109 - 89页,2001。视图:出版商的网站|谷歌学术搜索
15. s . Tangaro p . Inglese r . Maglietta, a . Tateo”MIND-BA:完全自动化的方法基于结构的计算机辅助诊断痴呆的核磁共振数据,”Proc MICCAI车间对计算机辅助诊断痴呆的基于结构磁共振成像数据,页119 - 128,波士顿,美国,2014年。视图:谷歌学术搜索
16. e·e·布朗的m .史密特w . van der传单et al .,“标准化的评估算法基于结构的计算机辅助诊断痴呆MRI: CADDementia挑战,”科学杂志卷,111年,第579 - 562页,2015年。视图:出版商的网站|谷歌学术搜索
17. l . Lazli m . Boukadoum, o·A·默罕默德”的一项调查显示在计算机辅助诊断脑部疾病的MRI基于机器学习和数据挖掘方法重点是阿尔茨海默病诊断和多通道融合的贡献,”应用科学,10卷,不。5,1894年,页2020。视图:出版商的网站|谷歌学术搜索
18. m . Cenek m .胡、g .纽约和美国达尔,“调查显示,图像处理技术对大脑病理诊断:挑战和机遇,”机器人和人工智能前沿,5卷,2018年。视图:出版商的网站|谷歌学术搜索
19. m . Georgescu l .海达尔a . f .塞尔维亚d . Puscasiu和d . Georgescu“数学建模下的大脑活动特定的听觉刺激,”计算和数学方法在医学卷,2021篇文章ID 6676681, 20页,2021年。视图:出版商的网站|谷歌学术搜索
20. a . e . Kovtanyuk a . y . Chebotarev n d·鲍v . l . Turova i n . Sidorenko和r .兰佩”的非平稳模型脑组织的氧运输”计算和数学方法在医学卷,2020篇文章ID 4861654、9页,2020。视图:出版商的网站|谷歌学术搜索
21. j·j·m·范·Griethuysen a . Fedorov c Parmar et al .,“计算radiomics系统解码射线表型”,癌症研究,卷77,不。21日pp. e104-e107, 2017年。视图:出版商的网站|谷歌学术搜索
22. j·e·范Timmeren d . Cester s Tanadini-Lang h . Alkadhi和b . Baessler”Radiomics在医学成像-入门指导和批判性反思,“见解成像,11卷,不。1,p。91年,2020。视图:出版商的网站|谷歌学术搜索
23. p . j . LaMontagne t . l . Benzinger j·c·莫里斯et al .,“OASIS-3:纵向神经影像学、临床数据集和认知老化和阿尔茨海默病”《化学信息和建模,53卷,不。9日,第1699 - 1689页,2013年。视图:出版商的网站|谷歌学术搜索
24. P组织,“Pyradiomics文档”,2019年,http://www.radiomics.io/。视图:谷歌学术搜索
25. 摆好阵势,h·j·w·s·s . f . l . Aerts radiomics应用和局限性,“物理学在医学和生物学,卷61,不。13日,R150-R166, 2016页。视图:出版商的网站|谷歌学术搜索
26. a . Traverso l .凌晨,a .德克和r . Gillies“重复性和再现性的radiomic特点:系统回顾,“国际放射肿瘤学•生物学•物理学杂志》上,卷102,不。4、1143 - 1158年,2018页。视图:出版商的网站|谷歌学术搜索
27. j·c·莫里斯,“临床痴呆评定:可靠、有效的诊断和分期测量阿尔茨海默型痴呆的,”国际老人精神科9卷增刊。1,第176 - 173页,1997。视图:出版商的网站|谷歌学术搜索
28. b·费施尔“FreeSurfer”,科学杂志,卷62,不。2、774 - 781年,2012页。视图:出版商的网站|谷歌学术搜索
29. Z.-H。周,“整体学习,”生物识别技术百科全书施普林格,2009年。视图:出版商的网站|谷歌学术搜索
30. r . Maclin“流行乐团方法:一个实证研究流行乐团方法:一个实证研究,“人工智能研究杂志》上11卷,第198 - 169页,2016年。视图:谷歌学术搜索
31. 是因为Ledezma m . p . Sesmero人工智能,a .山崎”生成的各个异构的分类器使用堆叠泛化,”威利跨学科评论:数据挖掘和知识发现,5卷,不。1,还是,2015页。视图:出版商的网站|谷歌学术搜索
32. a . Chaddad c . Desrosiers和t,“深radiomic分析MRI与阿尔茨海默氏症有关,”IEEE访问》第六卷,第58221 - 58213页,2018年。视图:出版商的网站|谷歌学术搜索
33. k·f·冯,p . Wang赵et al .,“Radiomic海马的功能亚区在阿尔茨海默氏症和轻度的认知障碍,”老化神经科学前沿,10卷,1 - 11,2018页。视图:出版商的网站|谷歌学术搜索
34. j . y . Li江,j . Lu j .江h . Zhang和c .左”Radiomics:一种新的特征提取方法对大脑神经元变性疾病using18F-FDG PET成像及其实现为阿尔茨海默氏症和轻度认知障碍,”治疗神经系统疾病的发展,12卷,2019年。视图:出版商的网站|谷歌学术搜索
35. k .赵y叮,y汉et al .,“独立和可再生的海马radiomic多点阿尔茨海默病的生物标记:诊断、纵向进步和生物学基础,”科学通报,卷65,不。13日,1103 - 1113年,2020页。视图:出版商的网站|谷歌学术搜索
36. j·j·t·r·李y . Wu江et al .,“Radiomics分析磁共振成像有助于临床前阿尔茨海默病的识别:一个探索性研究,“细胞和发育生物学的前沿,8卷,1-13,2020页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Manju Jain等。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。