基于3D卷积神经网络-感兴趣区域的阿尔茨海默症辅助诊断模型

磁共振(magnetic resonance imaging,MRI)图像的预测分类对早期阿尔茨海默症(Alzheimer′s disease,AD)的诊断非常重要。轻度认知障碍(mild cognitive impairment,MCI)作为AD的一种早期阶段,在诊断时存在大脑脑区萎缩区域不明确,诊断准确率偏低等问题。本研究提出一种基于感兴趣区域(regions of interest,ROI)的3D卷积神经网络(convolutional neural network, CNN)模型来解决AD分类准确率偏低等问题,进而实现对AD的计算机辅助诊断。实验数据均来自ADNI数据库,实验结果表明,基于ROI的3D CNN的AD辅助诊断模型在分类AD vs正常对照(normal control,NC)、MCI转化AD(MCI converted to AD,MCIc) vs NC和MCI未被转化AD(MCI not converted to AD,MCInc) vs MCIc的5折交叉验证平均准确率分别为85.2%、83.9%、68.5%。相比于传统的主成分分析+支持向量机方法和单纯的切片集成方法,本研究方法在AD辅助诊断中取得了更好的分类效果和泛化能力,还可为其他脑疾病诊断提供新思路。     

阿尔茨海默病患者海马结构的断层影像学研究

目的观察阿尔茨海默病(AD)发病进程中海马结构在断层影像上的形态学改变。方法依据AD发病进程,分别采集正常对照(NC)组、轻度认知损害(MCI)组、AD组各34例共102例受试者脑核磁共振图像,每组男、女各17例。观测海马面积、横径、矢径和颞叶钩回间距、颞角宽度等。分析组间各测量值变化趋势,以及海马面积等相关测量值与各神经评定量表评分的相关性。结果各组海马面积侧别均无统计学差异。各组间测量值比较,AD组海马面积小于NC组及MCI组(P均<0.05);AD组海马横径小于NC组及MCI组,MCI组海马横径小于NC组(P均<0.01);AD组颞叶钩回间距大于NC组及MCI组(P均<0.01),MCI组颞叶钩回间距大于NC组(P<0.05)。海马面积、海马横径与临床痴呆分级量表(CDR)及汉密尔顿抑郁量表(HAMD)评分均呈负相关,与蒙特利尔认知评估量表(MoCA)评分均呈正相关;颞叶钩回间距与神经心理量表评分相关性同海马面积、海马横径相反。结论海马面积与海马横径随AD病情进展逐渐缩小,颞叶钩回间距随AD病情进展逐渐增大;海马结构的改变可损伤其认知功能。     

基于卷积循环神经网络的阿尔茨海默症早期诊断

早期准确诊断能延迟阿尔茨海默症(Alzheimer′s disease,AD)病情的恶化。磁共振成像(MRI)和正电子发射断层扫描(PET)已被证明有助于了解AD相关的解剖和功能性神经变化。近期研究表明,多模态特征的融合可以提高分类性能。本研究提出了一种基于卷积循环神经网络的多模态数据分类新框架,新框架结合了2D卷积神经网络和循环神经网络,以学习3D MRI和3D PET图像切分为2D切片序列之后的切片内、切片间特征,完成AD的早期诊断。本研究方法在AD与NC的分类实验中ACC为93.3%,AUC为98.1%;在MCIc与NC的分类实验准确率为83.8%,AUC为91.9%;MCIc与MCInc的分类实验准确率为79.0%,AUC为88.9%。结果表明该方法具有良好的分类性能。     

基于结构磁共振成像海马多特征组合的阿尔茨海默病分类新方法

本文提出了一种利用结构磁共振图像多特征组合的阿尔茨海默病(AD)分类新方法。首先,利用FreeSurfer软件进行海马分割及皮层厚度、体积测量。然后,采用直方图、梯度、灰度共生矩阵及游程长度矩阵提取海马三维纹理特征,选取AD、MCI及NC三组间均具有显著差异的参数,与MMSE评分进行相关性研究。最后,利用极限学习机,对AD、MCI及NC进行分类识别。结果显示,无论左侧还是右侧,纹理特征相比于体积特征可以提供更好的分类结果;纹理、体积和皮层厚度互补的特征参量具有更高的分类识别率,且右侧(100%)分类正确率高于左侧(91.667%)。结果表明三维纹理分析可反映AD及MCI患者海马结构的病理变化,并且结合多特征的分析更能反映AD与MCI的认知障碍实质差别,更有利于临床鉴别诊断。     

基于MR图像纹理特征的阿尔茨海默病分类模型

目的基于MR图像,提取脑部海马区域纹理特征参数建立阿尔茨海默病(Alzheimer disease,AD)的早期分类预测模型。方法研究数据来源于美国国立老年研究所ADNI数据库,收集研究对象的磁共振(magnetic resonance,MR)脑图像,分别基于左、右和双侧海马图像,通过区域增长法和Contourlet变换提取纹理特征参数,结合研究对象的基本信息作为特征变量采用高斯过程分类方法建立AD患者和健康对照的诊断模型以及轻度认知障碍(mild cognitive impairment,MCI)患者转变为AD的预测模型,并评价模型的灵敏度、特异度以及ROC曲线下面积。结果研究共纳入420例研究对象。基于AD和健康对照两组构建的分类模型,双侧海马区的灵敏度、特异度以及ROC曲线下面积分别为92.7%、87.1%和0.922,均大于基于左侧或右侧海马区图像建立的模型。基于MCI数据建立的AD早期预测模型中,灵敏度最高为82.4%,ROC曲线下面积最高为0.836。结论基于脑部海马区的Contourlet纹理特征构建预测模型,可以识别AD早期的病变情况,这将有助于早期监测MCI进展为AD,为减缓和治疗AD发病提供依据。     

基于体素的和基于形变的形态学测量在轻度认知障碍识别上的比较研究

目的 比较基于体素的形态学测量(voxel-based morphometry,VBM)和基于形变的形态学测量(deformation-based morphometry,DBM)在检测轻度认知功能障碍(mild cognitive impairment,MCI)灰质异常及相应分类识别性能上的差异,为结构态分析方法的选择提供依据.方法 利用VBM和DBM对27例MCI患者及30例健康对照的磁共振结构像进行分析,分别统计比较获得相应的组间结构异常脑区,并将异常脑区作为分类特征构建相应的MCI诊断识别模型,最终通过评价异常脑区的空间分布特征及分类识别准确率来评估两种方法的差异.结果 VBM和DBM均发现MCI患者在海马、海马旁回、杏仁核、岛叶等脑区发生结构改变,但VBM方法还在额中回、颞中回等脑区发现异常.VBM确定的结构异常得到了86.0％的最佳准确度,而DBM方法的准确度为77.2％,虽然在性能表现上稍差,但发现的特征与VBM的最优特征具有一致性.结论 VBM方法可以发现更多的MCI结构异常,而DBM方法则能发现具有较强敏感性的结构异常,因而提示在磁共振结构像研究中应将两者结合应用.     

基于非线性高阶特征和超图卷积神经网络的阿尔茨海默症分类

阿尔茨海默症（AD）是一种不可逆转的大脑神经退化性疾病，会损害患者记忆力和认知能力。因此，AD诊断具有重要意义。大脑感兴趣区域（ROI）之间往往是多个区域以非线性的方式协同交互，充分利用此类非线性高阶交互特征有助于提高AD诊断分类的准确性。为此，提出基于非线性高阶特征提取和三维超图神经网络相结合的AD计算机辅助诊断框架。首先针对ROI数据使用基于径向基函数核的支持向量机回归模型训练出基估计器，再通过基于基估计器的递归特征消除算法提取功能性磁共振成像（fMRI）数据中的非线性高阶特征，进而将特征构造成超图，最后基于fMRI数据的四维时空特性搭建超图卷积神经网络模型来进行分类。阿尔茨海默症神经影像倡议（ADNI）数据库上的实验结果表明，所提框架在AD/正常对照（NC）分类任务上的效果相较于Hyper Graph Convolutional Network(HyperGCN)框架提高了8%，相较于传统二维线性特征提取方法提高了12%。综上，本文框架在AD分类效果上较主流深度学习方法有所提升，可为AD计算机辅助诊断提供有效依据。     

基于多模态典型相关特征表达的阿尔兹海默病诊断

对阿尔兹海默(AD)疾病进程的建模研究,有利于在其早期阶段--轻度认知障碍(MCI)进行更准确的诊断。不仅利用多模态影像数据,还分析模态间特征关系,用于增强与AD/MCI相关的特征表达能力。首先,基于典型相关分析融合不同模态间多个感兴趣区域并生成多模态关系特征表达;其次,基于稀疏最小二乘回归损失函数,以此获得稳定且有识别力的相关性表达特征;最后,使用交叉验证方法将随机选择的训练样本用于支持向量机分类模型,再对测试集受试者进行疾病阶段诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库的805位受试者,包括AD,MCI和正常受试者(NC)。此方法对于AD vs NC,MCI vs NC和p-MCI(进行性轻度认知障碍)vs s-MCI(稳定性轻度认知障碍)等3种不同类型数据,诊断结果分别为92.01%,74.83%和70.27%。与其他算法相比,分类准确率都有明显提高。表明所提出的方法能够有效应用于多模态数据对阿尔兹海默病的诊断分析研究。     

基于随机森林算法的阿尔茨海默症医学影像分类

为实现阿尔茨海默症(AD)的医学影像分类,辅助医生对患者的病情进行准确判断,本研究对采集的34名AD患者、35名轻度认知障碍患者和35名正常对照组成员的功能磁共振影像进行特征提取和分类,具体思路包括:首先利用皮尔逊相关系数计算脑区之间的功能连接,然后采用随机森林算法对被试不同脑区之间的功能连接进行重要性度量及特征选择,最后使用支持向量机分类器进行分类,利用十倍交叉验证估算分类准确率。实验结果显示,随机森林算法可以对功能连接特征进行有效分析,同时得到AD发病过程的异常脑区,基于随机森林和SVM建立的分类模型对AD、轻度认知障碍的识别具有较好的效果,分类准确率可达90.68%,相关结论可以为AD的早期临床诊断提供客观参照。 【关键词】阿尔茨海默症;功能磁共振成像;随机森林;特征选择     

阿尔茨海默病患者默认网络社团结构的分析

研究表明,默认网络(DMN)的功能失调与阿尔茨海默病有关。为进一步发现阿尔茨海默病患者大脑默认网络存在的异常连接结构,使用最小生成树方法构建无偏的脑网络,采用树层次聚类方法分析早期轻度认知障碍组(EMCI)、晚期轻度认知障碍组(LMCI)、阿尔茨海默病患者(AD)和健康对照者(NC)DMN社团结构的变化,并且对4种被试大脑网络中回直肌-眶部额上回、楔前叶-后扣带回的连接以及颞上回中心性进行差异分析。结果显示:DMN在NC和EMCI中分成5个社团,在LMCI中分成7个社团,但是在AD分成9个社团;LMCI和AD在回直肌-眶部额上回的连接存在显著差异(P=0.048),LMCI和EMCI在楔前叶-后扣带回的连接存在显著差异(P=0.042),LMCI和NC在楔前叶-后扣带回的连接存在显著差异(P=0.016);颞上回介数中心性在AD组与LMCI组(P=0.028)、LMCI组与NC组(P=0.001)、EMCI组与NC组(P=0.048)都存在显著差异。阿尔茨海默病患者随着病情的进展,DMN的结构逐渐分散,脑区之间的连接以及中心性发生变化,这些脑区主要包括海马、海马旁回、楔前叶、后扣带回、眶部额上回、眶部额中回、回直肌和颞上回。     

颞叶癫痫患者脑白质纤维束追踪空间统计分析与自动识别

为了定位颞叶癫痫(TLE)患者脑白质微结构发生异常的重要脑区,本文设立了正常对照组(NC)与TLE组两组人群,采集了50位受试者(其中NC组28人,TLE组22人)的脑部弥散张量成像(DTI)影像,分别计算其部分各向异性(FA)、平均扩散率(MD)、扩散系数(AD)、径向扩散系数(RD)等参数,并采用纤维束追踪空间统计方法(TBSS),获取组间差异的脑区,然后利用支持向量机(SVM),对NC组与TLE组进行分类,并与支持向量机-递归特征消除法(SVM-RFE)进行比较,最后对重要脑区及其分布进行分析与讨论。实验结果表明,TLE患者的FA值存在明显降低的脑区主要有胼胝体、上纵束、放射冠、外囊、内囊、下额枕束、钩束、矢状层等,基本呈双侧分布,其中大部分脑区的MD、RD值明显增高,AD值虽有增高,但差异无统计学意义。支持向量机-纤维束追踪空间统计法(SVM-TBSS)利用FA、MD、RD进行分类的准确率分别为82%、76%、76%,特征融合后分类准确率为80%;SVM-RFE利用FA、MD、RD进行分类准确率分别为90%、90%和92%,特征融合后分类准确率达到100%,SVM-RFE分类性能明显优于SVM-TBSS,对分类有重要影响的特征主要分布于联络纤维和连合纤维脑区。研究结果表明,DTI参数能有效地反映TLE患者的脑白质纤维异常改变,可用于阐明其病理机制、定位病灶及实现自动诊断。     

基于磁共振图像海马三维纹理特征的阿尔茨海默病及健康对照的分类研究

利用磁共振(MR)图像对阿尔茨海默病(AD)和健康对照(NC)进行分类识别,比较双侧海马在分类识别中的意义。选取AD患者和NC各25人,采用灰度共生矩阵和游程长矩阵提取每位受试者的海马部位的三维纹理特征。通过筛选得到组间存在显著差异的纹理特征参量,对主成分分析、线性判别分析和非线性判别分析3种方法得到的识别结果进行比较。利用反向传播(BP)神经网络建立识别模型,对AD和NC进行分类识别,采用相关性分析比较双侧海马纹理参数与简明智力状态检查(MMSE)评分的相关性。结果显示使用神经网络模型的非线性判别分析的分类识别正确率最高,右侧海马分类识别的正确率均高于左侧。两侧海马的纹理特征与MMSE评分均具有相关性且右侧海马的相关性系数均大于左侧。利用三维纹理特征的神经网络模型可分类识别AD组和NC组,并且采用右侧海马进行分类识别可能更有利于AD的诊断。     

基于PiB PET图像感兴趣区域的阿尔茨海默症计算机辅助分析

阿尔兹海默症 (AD) 是一种不可逆的神经退行性疾病,PiB PET成像技术可用于AD的早期诊断。但是,目前临床基于PiB PET图像的AD诊断主要依靠医生视觉评估分析,其缺点为依赖医生经验且耗时,无法实现对患者病情的客观追踪,因此提出一种基于PiB PET图像的计算机辅助分析方法 (CAAD)实现AD诊断。使用基于阈值先验的3D格子玻尔兹曼技术分割ROIs,采用主成分分析 (PCA) 技术提取图像特征,最终采取基于支持向量机(SVM)多项式核模型对特征进行分类。通过对ADNI数据库和上海市华山医院PET中心的149个样本的PiB PET数据进行对比实验,该方法对于ROIs的分割后Dice系数平均准确率为91.53%±3.0%,最终对AD和正常老年组(HC)、轻度认知障碍组(MCI)和HC、AD/MCI和HC的分类准确率分别达到87.01%、93.04%和91.95%。与现有文献的AD计算机辅助诊断相比,所提出CAAD方法的准确率高出约10%。 实验结果表明,该方法能够很好地对AD、MCI和HC进行分类。     

基于特征选择的阿尔茨海默症辅助诊断

阿尔茨海默症（AD）是一种在老年人中多发的脑部神经疾病,致病原因迄今未明,在疾病发展早期难以诊断。随着 计算机和人工智能技术的大力发展,利用磁共振成像（MRI）技术和机器学习方法辅助医生对AD进行辅助诊断不断取得 新的成果。本研究提出一种基于支持向量机递归特征消除（SVM-RFE）和线性判别分析（LDA）的AD辅助诊断方法。首 先对MRI图像进行预处理,获得90个大脑脑区的灰质体积;然后使用SVM-RFE和LDA相结合的方法,对90个大脑脑区 灰质体积进行特征选择;最后通过SVM进行分类。通过对来自于ADNI数据库中的34名AD、26名主观记忆衰退（SMC） 患者和50名正常被试（NC）的MRI图像分析,得到AD/NC、AD/SMC和NC/SMC的平均分类准确率分别为94.0%、100.0% 和93.6%。实验结果证明,本研究提出的方法可有效提取样本特征,辅助医生诊断AD。     

基于VBM-DARTEL的轻度认知障碍患者大脑灰质萎缩的5年纵向特征研究

目的研究轻度认知障碍(mild cognitive impairment,MCI)患者相比于正常人(normal control,NC)大脑灰质萎缩特征随时间变化的纵向特征,探索正常人、稳定型MCI(stable MCI,SMCI)和进展型MCI(progressive MCI,PMCI)患者的大脑灰质萎缩的规律及组间差异,从而为阿尔茨海默病(Alzheimer disease,AD)临床诊断和治疗的评估提供相关的影像学参数依据。方法首先,采用VBMDARTEL方法对从ADNI(Alzheimer disease neuroimaging initiative)数据库中获取的NC、SMCI和PMCI 5年跟踪磁共振T1加权影像数据进行纵向分析处理。然后,对处理后的NC、SMCI和PMCI三组纵向跟踪数据,分别采用组内方差分析和相对首次扫描(baseline,BL)时间点数据的配对t检验,探索每组患者不同纵向跟踪时间点的大脑结构变化特征。结果得到NC、SMCI和PMCI组内大脑灰质萎缩随时间变化的结果,结果显示3组数据均出现大脑灰质的萎缩,并且萎缩区域逐步扩大,其中PMCI患者的灰质萎缩速度最快,SMCI患者次之。萎缩区域主要出现在颞叶、海马、枕叶、扣带回等。结论 MCI患者大脑灰质萎缩随时间变化特征较为明显。相对于较低转化率的SMCI,具有较高概率转化为AD患者的PMCI患者在大脑灰质的特定区域存在较明显的萎缩,从而可依据这些区域的萎缩情况进行PMCI的判别,有助于早期AD的临床诊断、干预和治疗。     

老年人轻度认知障碍部分定向相干脑网络分析

近年的研究表明,轻度认知障碍(MCI)患者的认知加工呈现脑连通性缺失特征,但各脑区间如何影响,因果特性不明。本研究的目的在于分析MCI患者在认知任务下的有向脑网络特征。采集了30位老人在信息冲突颜色认知作业下的头皮脑电,包括21位正常人和9位MCI患者。选取刺激呈现后的脑电计算其部分定向相干值,依此构建脑网络,并着重分析了不同脑区的入度差异。研究发现：在beta段,MCI患者右前额区信息流入缺失,左中央区的信息流入异常增强;在患者组和正常组中前脑区的入度要远高于后脑区;正常人在匹配和不匹配刺激下右脑区的入度要高于左脑区;但是在患者组中左右脑区的入度却没有明显差别。在特定阈值下：正常人在匹配刺激下左脑区（阈值0.14）的入度要低于MCI患者（F=3.780,P=0.040）;正常人在不匹配刺激下左脑区（阈值0.26）的入度要低于MCI患者（F=3.780,P=0.040）;正常人在匹配刺激下右脑区（阈值0.18）的入度要高于MCI患者（F=3.941,P=0.021）。文章从入度为脑网络特征验证了MCI患者在颜色认知任务下右脑的功能缺损。     

Alzheimer病与脑血管性痴呆的P300比较研究

目的:探讨P_(300)对Alzheimer病(AD)和脑血管性痴呆(VD)的诊断和辅助鉴别价值。方法:应用美国Nicolet Spirit脑电生理仪以及“听觉oddball'’为诱发模式,检测了25例AD患者、24例VD患者和22名正常老年人(NC)的P_(300)°结果与NC相比,AD组和VD组P_(300)均有多指标多区域变异,且为同一方向即潜伏期延迟和波幅下降,但变异程度AD组更趋明显。与VD组相比,AD组在Cz区域,靶P_2、N_2潜伏期上延迟,靶P_2波幅下降,AD组在P_Z和F_z区域有类似的表现。在靶潜伏期延迟上,AD组的P_3(在Pz区域)和VD组的N2(在Fz区域),均与其认知功能评定(MMSE评分)相关。结论P_(300)对临床诊断AD病和VD患者有一定价值。P300可以辅助评定痴呆认知功能损害程度。分析P_(300)的不同成分可能对鉴别AD和VD类型有意义。     

LightGBM算法在阿尔茨海默症结构磁共振成像分类中的应用

为更好地利用计算机技术分析阿尔茨海默症(AD)患者的大脑脑区变化,并对AD进行辅助诊断,本研究选择来自AD神经影像数据库的116名AD患者、116名轻度认知障碍患者和117名正常对照者的脑部结构磁共振成像,并利用spm软件对3组数据进行预处理和统计学相关性分析,得到差异性脑区。然后使用IBASPM软件提取病灶脑区体积作为特征样本。最后利用LightGBM算法对特征向量进行分类,并与支持向量机和XGBoost算法作对比实验。实验结果显示,利用LightGBM算法对病灶脑区的体积进行分类,准确率可达到83%。在这3种分类算法中,LightGBM更具有优势,分类结果更准确,可见,利用LightGBM算法可以有效地辅助医疗人员对AD进行早期诊断。     

基于监督局部线性嵌入方法的阿尔茨海默病磁共振成像分类研究

针对阿尔茨海默病(AD)早期阶段分类这一研究难题,传统的线性特征提取算法很难从其高维特征中挖掘出鉴别能力较强的信息来有效地表示样本特征。因此,本文采用监督局部线性嵌入(SLLE)特征提取算法,对412例受试者的大脑皮质厚度(CTH)和脑感兴趣区域体积(VOI)特征进行提取,减少其冗余特征以提高识别精度。受试者来源于阿尔茨海默病神经影像学(ADNI)数据集,包含93例稳定型轻度认知障碍(s MCI)、96例遗忘型轻度认知障碍(a MCI)、86例AD患者和137例认知正常对照老年人(CN)样本。本文采用的SLLE算法是通过添加距离修正项来计算每个样本点的近邻点,并用近邻点线性表示样本,得到局部重建权值矩阵,进而求出高维数据的低维映射。为验证该算法在分类识别中的有效性,本文将主成分分析(PCA)、近邻最小最大投影(NMMP)、局部线性映射(LLE)及SLLE等特征提取算法分别与支持向量机(SVM)分类器组合,对CN与s MCI、CN与a MCI、CN与AD、s MCI与a MCI、s MCI与AD和a MCI与AD六组实验数据进行分类识别。结果显示,以VOI为特征,利用SLLE和SVM的复合算法对s MCI和a MCI的分类准确度、灵敏度、特异性分别为65.16%、63.33%、67.62%,基于LLE和SVM的复合算法分类结果分别为64.08%、66.14%、62.77%,而基于传统SVM则分别为57.25%、56.28%、58.08%。经比较,发现SLLE和SVM组合算法的识别精度较LLE和SVM的组合算法提高了1.08%,较SVM提高了7.91%。因此,利用SLLE和SVM这一复合算法进行分类识别更有利于AD的早期诊断。     

老年人快速认知筛查量表筛查早期阿尔茨海默病性痴呆的试测

目的:考查老年人快速认知筛查量表(QCSS-E)筛查社区老年人轻度认知功能障碍(MCI)及轻中度阿尔茨海默病(AD)的性能。方法:在社区募集≥55岁老年人1298人,参照Peterson MCI诊断标准和DSM-5神经认知障碍AD诊断标准为金标准,将其分为正常对照(NC)组(n=629)、MCI组(n=573)及轻中度AD组(n=96)。计算量表总分及各维度得分筛查MCI和轻中度AD的阳性预测值、阴性预测值;采用ROC曲线分析检验量表总分的区分度。结果:量表总分筛查MCI的阳性预测值为67.6%,阴性预测值为83.9%;筛查轻中度AD的阳性预测值为64.2%,阴性预测值为96.9%。ROC曲线分析发现QCSS-E总分筛查正常与MCI、正常与轻中度AD、MCI与轻中度AD的AUC分别为83.5%、98.0%及85.6%。结论:QCSS-E总分及各维度得分在早期AD筛查中性能良好。