Alzheimer Hastalığı ve Hafif Bilişsel Bozukluğun Tespitinde Biyobelirteç Olarak Yüzeysel Beyaz Maddenin Özellikleri

İletişim: emily.li@wecistanche.com

Bahare Bigham ve diğerleri

Soyut:

Arka fon:

Tıbbi görüntüleme ve işleme araçlarının gelişmesiyle birlikte akıllı sistemler sayesinde hastalıkların doğru teşhisi mümkün hale gelmiştir. Destek vektör makinelerinin (SVM'ler) hastalıkların teşhisine yönelik dikkate değer yetenekleri sayesinde, SVM algoritması kullanılarak hastalıkların sınıflandırılması için kapsamlı araştırmalar yapılmıştır.Alzheimerhastalık(AD) ve hafif bilişsel bozukluk (MCI).

Hedefler:

Bu çalışmada, hastaları sınıflandırmak için otomatik bir yöntem uyguladık.AlzheimerHastalıkve yüzeysel beyaz cevherdeki (SWM) difüzyon tensör görüntüleme (DTI) özelliklerine dayanan HBB ve sağlıklı kontrol (HC) denekleri.

Katılımcılar:

Bu amaçla, DTI verileri şu adresten indirildi:AlzheimerHastalıkNörogörüntüleme Girişimi (ADNI). Bu yöntem 72 denekten DTI verilerini kullanmıştır: HC'li 24 denek, MCI'li 24 denek ve AD'li 24 denek.

Ölçümler: DTI işleme, DSİ Studio yazılımı kullanılarak ve tüm makine öğrenmesi analizleri MATLAB yazılımı kullanılarak gerçekleştirilmiştir.

Sonuçlar:

SVM'nin lineer çekirdeği, sınıflandırıcılar arasında yüzde 95,8'lik bir doğrulukla en iyi sınıflandırıcıydı.AlzheimerHastalıkve HC grupları, ardından MCI ve HC grupları arasında yüzde 83,3 doğrulukla SVM'nin ikinci dereceden çekirdeği ve AD ve MCI grupları arasında yüzde 83,3 doğrulukla SVM'nin Gauss çekirdeği gelir. Sonuçlar: Nörodejeneratif hastalıkların tanısında yüzeysel beyaz cevherin rolünün yanı sıra AD ve HBB teşhisinin önemi göz önüne alındığında, bu çalışmada, yardımcı olmak için yararlı bir araç olabilecek SWM'nin farklı DTI yöntemlerinin özellikleri tartışılmıştır. AD ve MCI tanısında.

Anahtar Kelimeler: Destek vektör makinesi, Difüzyon tensör görüntüleme,Alzheimerhastalık, hafif bilişsel bozukluk, Yüzeysel beyaz cevher

Alzheimer Hastalığı için Cistanche hakkında daha fazla bilgi almak için buraya tıklayın

1. Giriş

Yaşlanan nüfustaki artış nedeniyle, doğru ve etkin tespitAlzheimer hastalığı(AD) toplumda önemli bir konu haline gelmiştir [1]. Hafif bilişsel bozukluk (MCI), normal yaşlanmayla ilişkili bilişsel gerileme ile bunamanın daha şiddetli azalması arasındaki bir durumdur. HBB'nin spesifik bir tedavisi olmadığı ve demansa ilerleme riski yüksek olduğu için hastalığın teşhisi ve önlenmesi çok önemlidir [2].

Nörodejeneratif hastalık genellikle beynin belirli bölgelerini etkiler. Yüzeysel beyaz cevher (SWM), retrogenez modeline göre birçok hastalığa karşı oldukça savunmasız olduğu tespit edilen bölgelerden biridir [3, 4]. Bu çalışmada, SWM'nin özelliklerine göre HC, MCI ve AD konularını sınıflandıran bir destek vektör makinesi (SVM) modeli geliştirdik.

Tıp bilimlerinin çeşitli alanlarında otomatik sistem teknolojisinin gelişmesi nedeniyle makine öğrenme sistemleri, hekimlerin hastalıkları otomatik olarak teşhis etmesine yardımcı olmaktadır [5]. Denetimli bir makine öğrenimi tekniği olan SVM, büyük veri analitiğinde çok güçlü bir araçtır [1].

Beyin görüntüleme tekniklerinin, beyin hastalığının teşhisi için potansiyele sahip olduğu yaygın olarak kabul edilmektedir. Bu teknikleri kullanarak, insan beynindeki problemler, invaziv beyin cerrahisine gerek kalmadan tespit edilebilir. Şu anda, dünya çapında araştırma merkezlerinde ve hastanelerde kabul edilen birkaç güvenli görüntüleme tekniği kullanılmaktadır [6]. Difüzyon tensör görüntüleme (DTI), nöronal lif yolu bütünlüğünün değerlendirilmesine izin veren, MRG tabanlı yeni bir nörogörüntüleme tekniğidir [7].

DTI veri yeniden yapılandırması iki kategoriye ayrılabilir: modelsiz ve model tabanlı yöntemler. DTI yeniden yapılandırması gibi modele dayalı yöntemler, su difüzyon şeklinin bir 3B Gauss modelini izlediğini varsayar, ancak q-uzay difeomorfik yeniden yapılandırma (QSDR) yöntemi gibi modelsiz yöntemde dağılım üzerinde bir varsayım yoktur. QSDR yöntemi, Montreal Nöroloji Enstitüsü (MNI) alanındaki verileri yeniden yapılandırır [8]. DSI Studio yazılımı (www.dsi-s tudio.labsolver.org) hem model tabanlı hem de modelsiz rekonstrüksiyon yöntemlerini destekler.

Ortalama yayılma (MD), fraksiyonel anizotropi (FA), eksenel yayılma (AxD) ve radyal yayılma (RD) dahil olmak üzere DTI rekonstrüksiyon yönteminden farklı ölçümler elde edilir. QSDR yeniden yapılandırma yönteminden türetilen yoğunluğa dayalı ölçümler arasında nicel anizotropi (QA), izotropik değer (ISO), kısıtlı difüzyon görüntüleme (RDI) vb. bulunur.

QA, belirli bir yönde eğirme popülasyonunu nicelemek için bir ölçüdür ve fiber popülasyonunu çözer (özellikle çapraz fiberler). Normalleştirilmiş QA (QA) ölçeği, QA'nın denek genelinde daha karşılaştırılabilir olabilmesi için maksimum QA değerinin bire normalleştirilmesiyle hesaplanır [9].

RDI, difüzyon yer değiştirme aralığına (örn. 10 mikron) göre sınırlı difüzyon yoğunluğunu ölçmek için bir yöntemdir [10].

Tensörü kullanarak difüzyonun ana yönünü tahmin etme yeteneği, bağlantı matrisini ve ağ önlemlerini hesaplamak için uygulanan traktografi tekniğini de sağlamıştır [11].

Beyin, yapısal ve işlevsel olarak ilişkili nöronlar ve beyin bölgelerinden oluşan karmaşık bir ağ olarak temsil edilir. Bir beyin ağı (veya grafiği), çizgilerle (beyin bölgeleri arasındaki bağlantı) bağlanan düğümlerden (nöronları veya beyin bölgelerini temsil eden) oluşur [12].

Ağ bilimi, analitik beyin mimarisi karmaşıklığını azaltmada ve beyin bağlantı modellerini anlamada yardımcı olabilir ve klinik bozukluklar hakkında bilgi sağlayabilir [13].

Ağ ölçümleri, sınıflandırma, verimlilik, PageRank, arasındalık, küçük dünya ağı ve benzerlerini içerir; bir ağ olarak insan beyninin yapısını ve işlevini daha iyi anlamak için kullanılırlar [14].

Sadece birkaç çalışma, hem DTI hem de QSDR rekonstrüksiyonunda ilgi bölgesi (ROI), traktografi ve bağlantı ve ağ gibi farklı analiz yaklaşımlarını kullanmıştır. AD ve MCI, AD ve HC ve MCI ve HC'nin otomatik ikili tespiti için yukarıda belirtilen analiz yöntemleriyle yüzeysel beyaz cevherden çıkarılan özelliklere dayanan SVM tekniğini uyguladık.

2. Malzemeler ve yöntemler

Bu makalede sunulan veriler bir M.Sc. tezi ve Meşhed Tıp Bilimleri Üniversitesi Etik Kurulu tarafından gözden geçirilmiş ve onaylanmıştır (Etik numarası: IR.MUMS.MEDICAL.REC.1397.320).

Adımlar aşağıdaki gibidir:

2.1. Veri toplama

Üç gruptaki 72 katılımcının verileri şu adresten indirildi:AlzheimerHastalıkNörogörüntüleme Girişimi (ADNI) veritabanı. AD (n=24), HBB (n=24) ve kontrol (n=24) gruplarından denekler dahil olmak üzere bu çalışmanın denekleri ADNI2 projesinden alınmıştır.

ADNI2 projesinden deneklerin tam beyin DTI'si aşağıdaki tarama parametreleriyle oluşturulmuştur: Üretici ¼ GE MEDICAL SYSTEMS; Matris X ¼ 256.0 piksel; Matris Y ¼ 256.0 piksel; Matris Z=2714.0; Piksel Boyutu X ¼ 1,4 mm; Piksel Boyutu Y ¼ 1,4 mm; Darbe Sırası ¼ EP/SE; 13000 ms tekrarlama süresi (TR), 68,3 ms yankı süresi (TE), 90 çevirme açısı, 3,0 alan gücü, 2,7 mm dilim kalınlığı, 41 a b ile doğrusal olmayan yön -1000 s/mm2 değeri ve difüzyon ağırlığı olmayan 5 görüntü. Görüntülere ek olarak, deneklerin klinik ve nöropsikolojik verileri de indirildi.

2.2. DTI işleme

Her ham veri için, SWM'deki DTI tekniklerinin özelliklerini çıkarmak için aşağıdaki ana adımlar gerçekleştirilmiştir (Şekil 1'de gösterilmiştir). Tüm bu işlemler, Fiber Traktografi Laboratuvarı tarafından desteklenen Tayvan Ulusal Tayvan Üniversite Hastanesi, Advanced Biomedical MRI Lab'den Fang-Cheng Yeh tarafından geliştirilen DSI Studio yazılımı kullanılarak gerçekleştirildi.

2.2.1. Ön işleme ve yeniden yapılandırma adımı

DTI parametre ölçümünden önce, baş hareketinin ve girdap akımının düzeltilmesi ve kafatası sıyırma işlemi yapıldı. Kafatası sıyırma ve arka plan bölgesini filtrelemek için DSİ Studio tarafından sağlanan maskeleri kullandık. Daha sonra bir sonraki adımda DSİ Studio'da model bazında (DTI) ve serbest model (QSDR) seçeneği olmak üzere iki farklı rekonstrüksiyon yöntemi kullandık; difüzyon görüntülerini işlemek için iki farklı tutum ile.

2.2.2. yatırım getirisi yaklaşımı

Yeniden yapılandırma adımından sonra, ROI, traktografi ve bağlanabilirlik ve ağ yöntemlerinden farklı DTI parametreleri elde edildi. ROI, mevcut çalışmadaki SWM bölgesi olan belirli bir amaç için kimliktir. Bu bölgenin maskesi (MNI boşluğunda) Arash Nazeri ve arkadaşları tarafından benzer bir çalışmadan elde edilmiştir [15, 16].

Terminologia Anatomica 1998 [17] ve Terminologia Neuroanatomica 2017'de (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca. Federative International Program for Anatomik Terminology, Şubat 2017) beyin bölgelerinin bölünmesine göre, SWM bölgesini şu bölümlere ayırdık: Talairach Atlas tarafından ön, parietal, temporal, oksipital, limbik ve insular loblar (her iki tarafta) dahil 12 anatomik bölge [18] (Şekil 2). Bu bölgeler iki deneyimli radyolog tarafından doğrulandı. Son olarak, DSİ-Studio yazılım atlaslarına daha iyi ve daha kolay erişim için alt bölgeler SWM atlası ekledik. Toplamda 12 SWM bölgesi ve her bölge için ortalama DTI ve QSDR değerleri hesaplanmıştır.

2.2.3. traktografi yaklaşımı

Traktografi parametrelerini çıkarmak için, sırasıyla fiber izleme eşiğini belirlemek için DTI ve QSDR rekonstrüksiyonu için FA ve QA indeksleri kullanıldı. Başlangıçta SWM bölgeleri (ROI olarak) yerleştirildi ve bölgelerden ayrı olarak traktografi yapıldı. Her bir SWM bölgesinin traktografisi, subvoksel pozisyonlarında rastgele oluşturulmuş 100000 tohum ile gerçekleştirildi ve tohumlar, adım boyutu 0 (0,5 voksel) ile tüm SWM bölgelerine yerleştirildi. 1.5 voksel mesafesi) ve yumuşatma değeri 1'dir. Bir tohumlama noktasının birincil fiberinden gelen izleme, akım çizgisine (Euler) ve yön enterpolasyonu trilineer'e ayarlanmıştır. Elyaf uzunluk aralığı 30 ile 300 mm arasında ayarlanmıştır.

2.2.4. Bağlantı ve ağ analizi

Traktografi yapıldıktan sonra, beyin SWM bölgeleri ile beyin ağı ölçümleri arasındaki yapısal bağlantı, QSDR rekonstrüksiyon yöntemi ile elde edildi. Bunu yapmak için, bağlantı ve ağ parametrelerini çıkarmak için "Bağlantı matrisi" seçeneği kullanıldı. Böylece tüm beynin traktografisi yapıldıktan sonra, SWM bölgeleri arasındaki ara bağlantı ölçümleri, bağlantı sayısına göre değerlendirildi. Ayrıca ağdan ölçülen bilgiler (verimlilik, çeşitlilik, aradalık vb.) farklı SWM bölgelerinden çıkarılmıştır.

2.3. sınıflandırma yöntemleri

ROI, traktografi, bağlantı ve ağ yöntemlerinden (yani, FA, MD, RD, AxD ve QA, QA, iso, RDI, ağ değerleri ve bir dizi bağlantı) hem yeniden yapılandırma hem de ölçülen parametrelerin DTI parametrelerini dahil ettik. beyin bölgeleri arasında). Her grup için sınıflandırma için MATLAB yazılımına girmek üzere CSV dosyalarına dönüştürülmüştür. Her birinden çıkarılan özellikler, ROI yönteminin 504 özelliği, traktografi yönteminin 576 özelliği ve bağlantı ve ağ yönteminin 702 özelliğinden oluşuyordu. Öznitelikleri sıraladıktan sonra, her bir özne için öznitelik vektörü 1782 öznitelikten tahmin edilmiştir. SVM sınıflandırma modeline girdi olarak öznitelik matrislerini hazırlamak için her grup için özel etiketlerle gruplar arası matrisler (HC-AD, HC-MCI ve MCI-AD) oluşturulmuştur.

Tüm makine öğrenmesi analizleri MATLAB yazılımı (R2014a) kullanılarak yapılmıştır. Adımlar aşağıdaki akış şemasına bölünebilir (Şekil 3'te gösterildiği gibi).

DTI veri işleme, öznitelik çıkarma ve öznitelik vektörü oluşturma işleminden sonra öznitelik seçimi yapılmıştır.

2.3.1. Öznitelik Seçimi

Bu beyin görüntüleme araştırmasında, denek başına öznitelik sayısı çok yüksekti. Bu nedenle, sınıflandırma için en uygun öznitelikleri (veya parametreleri) belirlemek için, yüksek boyutlu veriler için bir öznitelik seçim yöntemi olan hızlı korelasyon tabanlı filtreye (FCBF) dayalı bir yöntem kullandık [19].

DTI işleminden sonra, FCBF yöntemleri kullanılarak öznitelik seçimi yapılır ve ikili sınıflandırma için SVM'de kullanılır.

2.3.2. Öğrenme ve sınıflandırma

Özellik seçiminden sonra, eğitim verileri için dahili bir 5-kat çapraz doğrulaması gerçekleştirdik ve üç grup arasında ikili sınıflandırma kullanarak SVM algoritmasını uyguladık. Çapraz doğrulama, performansın genelleştirilmesini sağlamak için kullanılan bir model doğrulama tekniğidir; aynı zamanda sınırlı veriye sahipsek bir modeli değerlendirmek için kullanılan bir yeniden örnekleme yöntemidir [20]. Toplamda Doğrusal, Kuadratik, Kübik ve Gauss çekirdeklerini (ince, orta, kaba) değerlendirdik. Doğrusal, Kuadratik ve Gauss çekirdeklerinde daha iyi sonuçlar elde edilmesi ve çalışmanın karmaşıklığını azaltmak için bu üç çekirdeğin sonuçlarını raporladık. Son olarak, her bir sınıflandırmada en iyi çekirdek için Alıcı çalışma karakteristiği (ROC) eğrisini ve eğrinin altındaki alanı (AUC) gösteriyoruz (Şekil 4'te gösterildiği gibi).

2.3.3. Değerlendirme

DVM algoritması eğitildikten sonra, sınıflandırma performansını değerlendirmek için aşağıdaki gibi tanımlanan doğruluk, özgüllük ve duyarlılık gibi sonuçlar kullanılır.

Genel olarak bu denklemlerde, gerçek pozitif (TP) doğru tahmin edilen hasta sayısını, yanlış pozitif (FP) hasta olarak yanlış tahmin edilen sağlıklı kontrol sayısını, gerçek negatif (TN) doğru tahmin edilen sağlıklı kontrol sayısını ifade eder. , ve yanlış negatif (FN), yanlış olarak sağlıklı olarak tahmin edilen hasta sayısını ifade eder [21].

3. Sonuç

3.1. Demografik ve klinik özellikler

Katılımcıların demografik özellikleri ve klinik puanları Tablo 1'de gösterilmektedir. Üç grup arasında yaş ve cinsiyete göre önemli farklılıklar (P > 0.05) yoktu (bkz. Tablo 1). Mini mental durum muayenesi (MMSE), Global klinik demans derecelendirmesi (CDR) ve Fonksiyonel Aktivite Anketi (FAQ) puanları üç grup arasında önemli ölçüde farklıydı. Temel bilgilerin istatistiksel analizi SPSS 24 kullanılarak yapıldı.

3.2. Yüzeysel beyaz cevherin seçici özellikleri

FCBF öznitelik seçimi yöntemi, MCI ve HC sınıflandırması için 8 öznitelik, AD ve HC sınıflandırması için 25 öznitelik ve AD ve MCI sınıflandırması için 17 öznitelik gösterdi (Tablo 2). Şekil 5, farklı DTI yöntemlerinin seçici özelliklerinin sayısını göstermektedir.

3.3. sınıflandırma performansı

Ortalama doğruluk, duyarlılık ve özgüllük bu çalışmanın sonuçları olarak rapor edildi. SVM'nin doğrusal çekirdeği, yüzde 95,8 doğruluk, yüzde 95,8 duyarlılık ve yüzde 95,8 özgüllük ile AD ve HC grupları arasında en iyi sınıflandırıcıydı, ardından yüzde 83,3 doğrulukla ikinci dereceden SVM çekirdeği, yüzde 83,3 doğruluk, yüzde 80,7 duyarlılık ve yüzde 86.3 özgüllük ile MCI ve HC grupları ile Gauss SVM çekirdeği arasında yüzde 94.4 duyarlılık ve yüzde 76.6 özgüllük AD ve MCI grupları) Tablo 1'de gösterildiği gibi. Şekil 6, üç çekirdek arasındaki karşılaştırmayı gösterir ve herhangi bir çift sınıflandırmasında en iyi çekirdeği bulur (bkz. Tablo 3).

4. Tartışma

DTI verilerini analiz etmek için çeşitli yöntemler vardır ve her yöntemin güçlü ve zayıf yönleri vardır. Bu çalışmada, yüzeysel beyaz cevherin özelliklerini elde etmek için ROI, traktografi, bağlanabilirlik ve ağ analizi olmak üzere üç yöntem kullandık [22].

Yüzeysel beyaz cevher, retrogenez modeline göre birçok hastalığa karşı oldukça savunmasız olduğu tespit edilen bölgelerden biridir [23]. Bu nedenle bu çalışmada bu alan incelenmiştir.

AD ve HBB'li bireyler ile sağlıklı bireyler arasında ayrım yapmak için çeşitli çalışmalar yapılmıştır ve birçok araştırmacı bu üç grubu ayıracak yöntemler bulmakla ilgilenmektedir. Mevcut çalışmada, SWM'deki DTI özelliklerine dayalı olarak AD ve MCI'li konuları ve HC konularını sınıflandırmak için otomatik bir yöntem uyguladık.

SWM'nin ("çapraz lifler" olarak adlandırılan çoklu lif popülasyonları içeren) lif mimarisinin, derin beyaz maddeden daha karmaşık bir düzen gösterdiğine dikkat etmek önemlidir (Şekil 7). Bu nedenle, QSDR rekonstrüksiyon tekniğinin kullanılması gerekli görünmektedir, çünkü modelsiz yöntemler, model tabanlı yöntemlere kıyasla çoklu fiber popülasyonları içeren voksellerde daha doğrudur [24]. Bu amaçla, DTI rekonstrüksiyon tekniği ile birlikte QSDR tekniğini kullandık.

Akıllı sistemlerin farklı bilim dallarında gelişmesi nedeniyle, üç grup arasında ikili sınıflandırma için bir makine öğrenme sistemi geliştirilmiştir. Bildiğimiz kadarıyla, bu, SWM'deki DTI tekniklerinin özelliklerini belirlemek için bir destek vektör makinesini kullanan ilk çalışmadır.

MCI sınıflandırmasına karşı kontrolden elde ettiğimiz sonuçlarımız, ikinci dereceden çekirdeğin yüzde 83,3 doğrulukla bu sınıflandırma için en iyi çekirdek olduğunu gösterdi. AD hastaları ve yaşlı kontroller arasındaki ayrım, doğrusal çekirdek tarafından yüzde 95,8 doğruluk gösterdi. Seçilen özelliklerde bağlantı parametreleri büyük önem göstermiştir. Bu bağlantıların bir örneği Şekil 8'de gösterilmektedir.

Genel olarak, beyin ağı özelliklerinin araştırılması, araştırmacılara AD ve HBB dahil olmak üzere çoğu nörodejeneratif hastalık hakkında bilgi sağlayabilir. Son zamanlarda, Alzheimer hastalığında ağ özelliklerinin incelenmesi birçok araştırmacının dikkatini çekmiştir. Bu araştırmacılar arasında Daianu ve ark. [25], Seo ve ark. [26], Celili ve ark. [27], Sheng ve ark. [28] ve Süleyman ve ark. [29]. Beyin ağ bağlantısı analizinin, Alzheimer hastalığında sinir yollarının nasıl bozulduğuna dair önemli bir anlayış sağladığına inanıyorlar. Örneğin, Yongxia Zhou ve arkadaşlarının çalışmasında bildirildiği gibi, beyin korteksindeki küçük dünya ağının özelliği, Alzheimer hastaları ile HBB hastalarını ayırt edebildi. Bu çalışmada, yüzeysel beyaz cevherdeki seçici özelliklerden biri olan küçük dünya ağı, AD'yi MCI'den ayırt etme yeteneğini gösterdi ve bellek ve bilişsel işlevlerin azalmasını açıklamak için kullanılabilir.

küçük dünya ağ özelliklerinin kaybının AD hastalarında değiştiğine dair önceki çalışmaların bulguları [30, 31, 32].

Ayrıca, PageRank ölçümü, daha fazla sayıda dış bağlantıya sahip beyin bölgelerini vurgulayabilir [33]. Çalışmamızda, frontal ve parietal bölgelerdeki PageRank, AD teşhisi için en çok tanımlanan özelliklerden biriydi ve beyinde daha önemli bir rol oynayabilir.

Çalışmanın en önemli bulgularından biri, AD'nin HBB'den ayrılmasında sol parietal lob yollarının uzunluğu ve sayısıdır. Desikan ve ark.'nın çalışması, parietal lob hasarının HBB'den AD'ye ilerlemenin bir öngörücüsü olarak öneminden bahsetmiştir [34]. Bu çalışmanın traktografi sonuçları, KAY bölgesindeki önceki çalışmanın sonucunu doğrulayabilir. HBB'lerin AH geliştirme riski kontrollere göre daha yüksek olduğundan, parietal lobun incelenmesi yararlı bir gösterge olabilir.

Ayrıca, AD ve HBB karşılaştırmalarında traktografi bulgularına ek olarak, AD'lerde temporal ve parietal loblar ile ayrıca limbik ve oksipital loblar arasındaki bağlantıda bozulma gözlendi. Başka bir deyişle, temporoparietaldeki kısa mesafeli lif bağlantıları bu iki hastalığın ayrımında önemli bir bulgu olabilir. Temporoparietal, Alzheimer hastalığında zarar görebilecek yüksek seviyeli insan sinir fonksiyonlarında [35] hayati bir rol oynar. Desikan et al. AD'de bu bölgenin atrofisini incelemiştir [34]. Bu çalışmanın bulguları yeni bir teknikle ve DTI yönteminin özelliklerini kullanarak HBB'yi AD'den ayırmada etkili olabilir. İşlevsel bir manyetik rezonans görüntüleme (fMRI) çalışması, insula'nın insan beyni ağlarının kilit bölgesi ve AD'nin en savunmasız bölgesi olduğunu göstermiştir [36]; bu çalışma yüzeysel beyaz cevherde bu sonuçları doğrulayabilir çünkü insula'nın bağlanabilirlik, iso, Tzz ve Txy gibi özellikleri Alzheimer hastalarının seçilmiş ve ana özellikleri arasındadır.

Çoğu çalışma, DTI değerlerinin AD ve MCI grupları arasında değiştiğini bildirmiştir. Bu çalışmada AD ve MCI arasındaki sınıflandırma doğruluğu, bu sınıflandırma için en iyi çekirdek olan Gauss çekirdeğine göre yüzde 83,3 idi.

Gelecekteki araştırmalar için bir öneri olarak, fMRI ve elektroensefalogram (EEG), Pozitron emisyon tomografisi (PET) ve DTI verileriyle BOS proteinleri verileri gibi çok modlu çalışmaya diğer modaliteleri ve biyobelirteçleri dahil etmek ilginç olacaktır ve ayrıca bunlardan biri olabilir. gelecekteki hedeflerimiz.

5. Sonuç

Sonuç olarak, AD ve HBB'li hastaları ve sağlıklı kontrolleri otomatik olarak ayırt etmek için bir yöntem uyguladık. Bu çalışmada, DTI aracılığıyla SWM bölge özelliklerini kullanarak AD veya MCI'nin HC'den ayırt edilebileceğini gösterdik. Bu nedenle, ROI, traktografi ve bağlantı ve ağ yöntemlerinden elde edilen özellikler, AD ve MCI teşhisine yardımcı olabilir. Son olarak, bu çalışma, bu bölgelerdeki diğer otomatik sınıflandırma yöntemlerini değerlendirmek için bir arka plan sağlar.

5.1. sınırlamalar

Makine öğrenimindeki örnek boyutu, model performansını etkileyen çok önemli bir faktördür. Çalışma sınırlaması, dahil edilen deneklerin küçük örneklem büyüklüğüdür.

Referanslar
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, Alzheimer hastalığında DTI ve yapısal MRI sınıflandırması, Adv. Mol. Resim. 2012 (2012).
[2] SA Eshkoor, TA Hamid, CY Mun, CK Ng, Hafif bilişsel bozukluk ve yaşlılarda yönetimi, Clin. Ara Yaşlanma 10 (2015) 687-693.
[3] VEYA Phillips, SH Joshi, F. Piras, MD Orfei, M. Iorio, KL Narr ve diğerleri, Alzheimer hastalığında yüzeysel beyaz madde, Hum. Beyin Haritası 37 (4) (2016) 1321-1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. İslam, A. Garcia, Alzheimer hastalığında traktografi MRI'da değiştirilmiş yüzeysel beyaz madde, Dementia Geriatr. Biliş. Bozukluk. Ekstra 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, Tıbbi yapay zeka teknolojisinin gelişmekte olan ülkelerin kırsal alanlarında uygulanması, Health Equity 2 (1) (2018) 174-181.
[6] KD Davis, H. Flor, HT Greely, GD Iannetti, S. Mackey, M. Ploner, ve diğerleri, Kronik ağrı için beyin görüntüleme testleri: tıbbi, yasal ve etik konular ve öneriler, Nat. Rev. Neurol. 13 (2017) 624.
[7] M. Dyba, M. Ewers, M. Wegrzyn, I. Kilimann, C. Plant, A. Oswald, ve diğerleri, Alzheimer hastalığının otomatik tespiti için büyük bir Avrupa çok merkezli veri seti kullanılarak DTI ve MRI'nın birleştirilmesi, içinde Uluslararası Multimodal Beyin Görüntü Analizi Çalıştayı, Springer, 2012, s. 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long, ve diğerleri. beyin, Surg. Radyol. Anat. 41 (9) (2019) 1019–1028.
[9] SY Lim, Y.-S. Tyan, Y.-P. Chao, F.-Y. Nien, J.-C. Weng, Difüzyon tensör traktografisi ve genelleştirilmiş örnekleme MRI kullanarak gelişen tavşan beynine ilişkin yeni görüşler, PLoS One 10 (3) (2015).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, İmmün hücre infiltrasyonunu kısıtlı difüzyon MRI kullanarak haritalama, Magn. Rezon. Med. 77 (2) (2017) 603–612.
[11] G. Prasad, TM Nir, AW Toga, PM Thompson, Alzheimer hastalığında Traktografi yoğunluğu ve ağ ölçümleri, içinde: 2013 IEEE 10. Uluslararası Biyomedikal Görüntüleme Sempozyumu, IEEE, 2013, s. 692–695.
[12] A. Mheich, F. Wendling, M. Hassan, Beyin Ağı Benzerliği: Yöntemler ve Uygulamalar, 2019 arXiv ön baskı arXiv:190810592.
[13] O. Sporns, Grafik teorisi yöntemleri: beyin ağlarında uygulamalar, Dialogues Clin. Nörobilim. 20 (2) (2018) 111.
[14] O. Sporns, JD Zwi, Serebral korteksin küçük dünyası, Neuroinformatics 2 (2) (2004) 145-162.[15] A. Nazeri, MM Chakravarty, TK Rajji, D. Felsky, DJ Rotenberg, M. Mason, ve diğerleri,
Yaşa bağlı bilişsel düşüşün yeni bir substratı olarak yüzeysel beyaz madde, Neurobiol. Yaş 36 (6) (2015) 2094–2106.
[16] A. Nazeri, MM Chakravarty, D. Felsky, NJ Lobaugh, TK Rajji, BH Mulsant, et al., Alterations of yüzeysel beyaz cevher in şizofreni ve bilişsel performansla ilişkisi, Neuropsychopharmacology: Off. yayın Ben. Kolej Nöropsikofarmakol. 38 (10) (2013) 1954.
[17] GC Ribas, Serebral sulkus ve girus, Neurosurg. Odak 28 (2) (2010) E2. [18] J. Talairach, İnsan Beyninin Eş-düzlemsel Stereotaksik Atlası-3-Boyutlu Orantılı Sistem. Serebral Görüntülemeye Bir Yaklaşım, 1988.
[19] L. Yu, H. Liu, Yüksek boyutlu veriler için özellik seçimi: hızlı korelasyon tabanlı bir filtre çözümü, Proceedings of the 20th International Conference on Machine Learning (ICML-03), 2003, s. 856–863.
[20] MW Browne, Çapraz doğrulama yöntemleri, J. Math. Psikol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Duyarlılık, özgüllük, doğruluk, ilişkili güven aralığı ve pratik SAS uygulamaları ile ROC analizi, NESUG Proceed.: Health Life Sci. (Baltimore, Maryland) 19 (2010) 67.
[22] W. Van Hecke, L. Emsell, S. Sunaert, Difüzyon Tensör Görüntüleme: Pratik Bir El Kitabı, Springer, 2015.

[23] B. Bigham, SA Zamanpour, F. Zemorshidi, F. Boroumand, H. Zare, Alzheimer Hastalığı Nörogörüntüleme Girişimi. Alzheimer hastalığında yüzeysel beyaz cevher anormalliklerinin ve difüzyon tensör görüntüleme kullanılarak hafif bilişsel bozulmanın belirlenmesi, J. Alzheimer's Dis. 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou, et al., Sinir lifinin ameliyat öncesi görselleştirilmesinde genelleştirilmiş q-örnekleme görüntüleme ve difüzyon tensör görüntüleme arasındaki farklar beyinde peritümöral ödem içinde yollar, Nöroşirürji 73 (6) (2013) 1044–1053.
[25] M. Daianu, EL Dennis, N. Jahanshad, TM Nir, AW Toga, CR Jack, et al., Alzheimer hastalığı beyin bağlantı ağlarında zengin kulüp organizasyonunu bozar, içinde: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE , 2013, s. 266–269.
[26] EH Seo, DY Lee, J.-M. Lee, J.-S. Park, BK Sohn, DS Lee ve diğerleri, Bilişsel olarak normal, hafif bilişsel bozukluk ve Alzheimer hastalığında tam beyin işlevsel ağları, PLoS One 8 (1) (2013).
[27] M. Jalili, Alzheimer hastalığının grafik teorik analizi: Alzheimer hastalarının sağlıklı deneklerden ayırt edilmesi, Inf. bilim 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Sıralı çekirdek özellikler ve makine öğrenimi kullanarak Alzheimer hastalığına yönelik farklı aşamaları belirleme ve karakterize etme, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, PM Thompson, ve diğerleri, Alzheimer hastalığında beyin ağı değişikliklerinin bağlantı tahmin algoritmaları ile öngörülmesi, Mol. Biyosist. 13 (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang, ve diğerleri, Anormal kortikal ağlar, hafif bilişsel bozukluk ve Alzheimer hastalığı, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Alzheimer hastalığında büyük ölçekli kortikal ağların anormal topolojik modellerine yapısal anlayışlar, J. Neurosci. 28 (18) (2008) 4756-4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Alzheimer hastalığında Nöronal ağlar, Neuroscientist 15 (4) (2009) 333–350.
[33] A. Ebadi, JL Dalboni da Rocha, DB Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho, ve diğerleri, Alzheimer hastalığının topluluk sınıflandırması ve difüzyon tensöründen karmaşık grafik ölçümlerine dayalı hafif bilişsel bozulma görüntüler, Ön. Nörobilim. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman, et al., Atrofinin Temporoparietal MR görüntüleme ölçümleri, hafif bilişsel bozukluğu olan deneklerde Alzheimer hastalığının müteakip tanısını öngören, Am. J. Nöroradiol. 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, İnsan beynindeki temporoparieto-oksipital bölgenin kısa bağlantılarını difüzyon spektrum görüntüleme ve fiber diseksiyon kullanarak izleme, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song, ve diğerleri, Alzheimer hastalığında insular alt bölgelerin değiştirilmiş fonksiyonel bağlantısı, Front. Yaşlanan Neurosci. 10 (2018) 107.