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。     

基于纹理分析的阿尔茨海默症及轻度认知功能障碍的分类研究

目的 利用脑MR图像中胼胝体的三维纹理特征对阿尔茨海默症患者（Alzheimer disease,AD）及轻度认知功能障碍（mild cognitive impairment,MCI）患者进行分类识别,以探索AD早期诊断新途径.方法 选取AD患者、MCI患者及健康对照者各l8例,采用灰度共生矩阵和游程长矩阵提取每位受试者胼胝体部位的三维纹理特征.通过筛选得到的纹理特征参量,利用BP神经网络建立识别模型,对AD患者、MCI患者和健康对照者进行分类识别,并对采用主成分分析、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.结果 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.结论 利用三维纹理特征的神经网络模型可分类识别早期AD患者及MCI患者.     

T_2值在阿尔茨海默病中的初步研究

目的对比研究阿尔茨海默病患者与健康中老年人脑内多部位T_2值的差异,探讨T_2值与简易精神状态量表分的相关性。方法使用3.0T磁共振T_2MAP序列对30例AD与30例NC进行扫描,利用T_2MAP软件包进行图像后处理,在T_2图上测得双侧齿状核、海马、黑质、红核、苍白球、壳核、丘脑、尾状核头及延髓、脑桥、胼胝体膝部、胼胝体压部的数值。应用统计学软件对各脑区T_2值进行组间分析,分析T_2值与MMSE评分的相关性。结果 AD组与NC组各对应脑区T_2值比较,双侧齿状核、黑质、红核、苍白球、壳核、丘脑及左侧海马、右侧尾状核头、脑桥、延髓的差异具有统计学意义(P0.05)。AD组左侧海马T_2值与MMSE评分有中度正相关性(r=0.519,P0.05)。结论 AD患者脑内多部位的T_2值出现改变。左侧海马的T_2值与MMSE评分存在相关性,可以用来评估AD患者病程变化。     

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。     

阿尔茨海默病患者扣带部位磁共振图像纹理特征及性别特点

目的 分析阿尔茨海默（Alzheimer＇s disease,AD）、轻度认知障碍（mild cognitive impairment,MCI）和正常对照者（normal controls,NC）MR图像扣带纹理特征,并按性别进行分组分析,探索纹理特征在疾病早期诊断上的应用.方法 利用灰度共生矩阵和游程长矩阵对52例MR图像（AD14例、MCI20例、NC18例）进行纹理分析,测试组间参数是否显著不同,并用支持向量机方法对在组间具有显著性差异的纹理特征进行分类识别.结果 与NC组相比,AD和MCI组的能量、游程长不均匀度等纹理特征在前扣带和后扣带均存在显著性差异.按性别分组的实验结果显示,除AD组和NC组间存在显著不同外,男性后扣带在MCI与NC及MCI与AD间均存在显著性差异（P〈0.05）,女性前扣带在MCI和NC组间存在显著性差异（P〈0.05）.分类识别结果显示,男性后扣带分类正确率最高,为90%.结论 MR图像纹理特征可以反映扣带病理变化,不同性别MR图像表现不同,有可能为AD的早期诊断提供帮助.     

阿尔茨海默病海马结构异常的影像组学研究

目的 探讨阿尔茨海默病 (AD) 患者的左右侧海马影像组学特征,建立和比较左右侧海马的影像组学分类模型,并分析其在AD患者诊断中的价值。方法 前瞻性对照研究。纳入2016年9月—2018年6月在浙江省人民医院记忆专科门诊就诊的59例AD患者为AD组,健康促进中心44名志愿者为正常对照组(NC组)。采用 GE 3.0 T MR成像系统对两组受试者行全脑扫描,分别获取三维磁化准备快速梯度回波成像序列 (MPRAGE)。使用一种基于学习的可变形模型对左右侧海马进行分割。对分割后的左右侧海马两组数据分别进行特征计算和特征选择,基于选择的特征建立logistic回归模型。结果 经过计算后两组数据分别得到385个特征。左右侧海马数据经过特征选择后分别剩下5个特征。右侧海马logistic回归模型评价指标的准确性、曲线下面积、特异度、灵敏度、阳性预测值、阴性预测值分别为0.69、0.74、50%、83%、68%、70%,左侧海马分别为0.75、0.83、79%、72%、81%、69%。结论 海马的影像组学特征具有作为诊断AD的生物标志物的潜力。左侧和右侧的海马影像组学模型有助于AD的诊断,其中左侧海马模型的诊断价值高于右侧。     

阿尔茨海默病的MR图像三维纹理的灰度游程分析

目的灰度游程长矩阵参数可以反映图像纹理的粗细及均匀程度。本研究采用该方法研究阿尔茨海默病（Alzheimer’Sdisease,AD）患者脑MR图像中胼胝体的三维纹理特征,以反映AD患者胼胝体部位的病理变化,从而探索该纹理特征分析方法在该疾病诊断中的应用。方法选取18例AD患者及18例健康对照者,采用灰度游程长矩阵提取每位受试者胼胝体部位的4个三维纹理特征参数：短游程因子、长游程因子、灰度不均匀度和游程长不均匀度。比较两组间各纹理特征的差异,并分析这些纹理参数与临床广泛应用的简易智能状态检查量表（mini—mentalstateexamination,MMSE）评分之间的相关性。结果4个纹理参数两组相比较均有显著性差异,且与MMSE评分均具有相关性。结论基于三维纹理特征的灰度游程分析法能在一定程度上反映出AD患者胼胝体部位的病理变化,可能用于该疾病的临床诊断。     

Alzheimer病MR图像纹理和形态学特征的比较研究

目的 比较MR图像纹理分析和形态学测量方法在鉴别阿尔茨海默病（Alzheimer＇s disease,AD）患者的实际效果,探讨纹理分析技术对AD早期诊断的价值.方法 提取29例AD患者和19例健康对照者（NC）的海马纹理参数,并测量内侧颞叶最窄宽度和海马结构体积等形态学指标,在t检验基础上对纹理参数与形态学指标进行判别分析,然后采用Kappa参数值评价上述两种方法的一致性.结果 AD组与NC组间的和均值、能量等纹理参数均显著不同,右侧海马和均值与形态学测量指标内侧颞叶最窄宽度的判别准确度均为97.9%.经多元逐步判别分析,纹理参数联合判别的准确度为97.9%.纹理分析与形态学测量的Kappa值为0.957（p〈0.001）.结论 MR图像的纹理分析与形态学测量具有较好的一致性,纹理分析可能有助于AD的早期诊断.     

基于统计学纹理特征的阿尔兹海默病MR图像研究

阿尔兹海默病（Alzheimer’s disease,AD）是一种老年神经系统退行性疾病。流行病学研究显示,在过去的50年里,AD的发病率增加了4倍,是目前威胁老年健康的重要疾病。对AD的影像学研究目前主要采用对图像上特征线、面积、体积测量的方法,还没有发现对AD具有特异性的影像学指标。本文尝试采用基于统计学理论的灰度共生矩阵、游程长矩阵的纹理分析方法提取AD患者MR图像上感兴趣区的纹理特征参数,通过筛选得到的参数,对AD患者和健康对照组进行分类识别,并对采用不同分类方法得到的识别结果进行比较。研究结果显示对统计学纹理特征参数使用非线性判别分析的分类方法得到的识别率最高达到90．12％。可以预见,此项研究对AD的早期诊断具有积极作用。     

双向抑郁症患者脑磁共振图像纹理特征

目的研究双向抑郁症患者与健康人群脑部磁共振图像在前额叶脑白质区的纹理差异。方法在抑郁症患者组和健康对照组中随机各选取8名志愿者,进行相同的脑部磁共振扫描,选取左右额叶脑白质作为研究对象,提取实验组和对照组样本的纹理特征,使用最小分类误差与最小平均相关系数法对纹理特征进行筛选及分类比较研究。结果通过比较原始数据分析(raw data analysis,RDA)、主成分分析(principal component analysis,PCA)、线性判别分析(linear discriminant analysis,LDA)、非线性判别分析(nonlinear discriminant analysis,NDA)4种分类方法,发现LDA和NDA方法对样本纹理分类正确率高于RDA和PCA分类方法。结论抑郁症患者与健康人群脑部磁共振图像的前额叶脑白质区纹理特征存在差异。     

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。     

阿尔茨海默症患者MR图像胼胝体和扣带回部位纹理分析

目的研究阿尔茨海默病患者与对照组胼胝体和扣带回部位纹理参数的特点,并测试纹理参数和AD(Alzheimer,s diease,阿尔茨海默病)病程进展的相关性。方法采用灰度共生矩阵的纹理分析方法对患者和健康对照组MR图像上胼胝体和扣带回部位提取纹理参数,并比较纹理参数与MMSE(mini-mental state examination,简易精神状态检查)评分的相关性。结果AD患者和对照组胼胝体及扣带回部位的纹理参数存在显著性差异,扣带回部位的纹理参数和MMSE评分显著相关。结论本研究表明纹理分析可以量化描述AD患者胼胝体和扣带回的病理变化,可能为早期诊断提供帮助。     

基于MR图像女性阿尔茨海默症海马纹理特征研究

目的基于MR图像研究女性阿尔茨海默症患者海马纹理特征的改变。方法取阿尔茨海默症(Alzheimer’s disease,AD)患者组、老年和青年对照组各9例女性样本,提取海马和均值、灰度不均匀性等纹理参数和海马体积参数,测试各组间参数是否显著不同,并测试纹理特征和体积的相关性。结果 AD组与老年对照组海马和均值、灰度不均匀性以及体积显著不同(p0.05),纹理参数与海马体积显著相关(r0.5,p0.01)。老年对照组和青年对照组各参数均未见显著性差异。结论纹理参数可能反映AD脑组织的病理改变,海马增龄性变化与AD病理改变有本质不同。此项研究可能为AD早期诊断提供帮助。     

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。     

乳腺钼靶X线影像中结构扭曲的特征提取研究

本研究以灰度共生矩阵描述乳腺钼靶X线影像中结构扭曲的纹理特征.对学习样本（乳腺结构扭曲样本44个,正常样本78个）,计算五个反映纹理性质的特征参数,根据相应的Fisher系数,确定最适合作为分类依据的特征参数或特征参数组合.用线性判别分析对测试样本（乳腺结构扭曲样本43个,正常样本78个）进行分类.分类结果表明本研究确定的纹理特征熵（ENT）是识别乳腺结构扭曲的最佳统计参数（分类正确率达78.5%、ROC曲线下的面积为0.786）.     

阿尔茨海默病大鼠氢质子磁共振波谱研究

目的:探讨海马注射β-淀粉样肽(Aβ1-42)诱发阿尔茨海默病(AD)大鼠模型的病理学变化及氢质子磁共振波谱(~1H MRS)特性。方法:健康SD大鼠40只,实验随机分为假伤组(Sham组)、阿尔茨海默病模型(AD组)。采用大鼠海马注射Aβ_(1-42)复制AD模型。苏木精-伊红染色法染色观察海马CA1区神经元形态,免疫化学染色观察Aβ的沉积,采用Morris水迷宫法进行大鼠记忆功能的测定。~1H MRS检测AD鼠脑中的N-乙酰天门冬氨酸(NAA)、胆碱(Cho)、肌酸(Cr)和乳酸(Lac)水平。结果:与Sham组比较,AD组游全程时间延长,错误次数增加,差异显著(均P0.01)。与Sham组比较,AD组双侧海马CA1区神经元数目减少,核固缩增加;且与注射对侧比较,Aβ_(1-42)注射侧大鼠海马CA1区神经元数目显著减少,核固缩显著增加。免疫化学染色Sham组呈阴性;AD组双侧抗Aβ1-42呈阳性,且与注射对侧比较,注射侧阳性显著增加。~1H MRS结果Sham组双侧半球无显著性差异。与Sham组比较,AD组双侧~1H MRS海马NAA/Cr明显降低、Cho/Cr增加、Lac/Cr增加;在AD组,与注射对侧半球比较,注射侧半球海马NAA/Cr明显降低(P0.05)、Cho/Cr显著增加(P0.01)、Lac/Cr显著增加(P0.01)。结论:Aβ1-42能引起大鼠海马CA1区神经元损伤,记忆功能下降,注射Aβ后4周NAA/Cr已有明显改变,与免疫组化发现Aβ1-42表达增强结果一致,提示利用~1H MRS检测NAA/Cr改变,可能有助于AD早期临床诊断。     

基于纹理特征的神经网络分类器用于肝硬化核磁共振图像分类识别

目的 研究基于纹理特征的神经网络分类器用于肝硬化核磁共振图像(MRI)分类诊断方法.方法 选取经大连医科大学附属第二医院临床和实验室检查确诊的18例患者的肝脏MR图像,其中肝硬化10例,正常肝脏8例,通过手工分割共获取MR图像感兴趣区(ROI)170个(肝硬化组88个,正常肝脏组82个).通过灰度共生矩阵提取了2组170个ROI0°、45°、90°、135°4个方向的纹理特征参数(共计56个),采用盒状图评估56个纹理特征参数区分肝硬化和正常肝脏的性能,获得2组间可分性好的纹理特征参数24个.分别采用全部的56个纹理特征参数(特征组A)、完全随机选择24个纹理特征参数(特征组B)及两组间可分性好的24个纹理特征参数(特征组C)训练反向传播(BP)神经网络,其中用于网络训练的ROI为110个,而测试BP神经网络的ROI为60个.结果 盒状图评价显示0°,45°,90°,135°4个方向上的能量、对比度、相关性、逆差矩、和方差以及差平均共计24个特征参数在肝硬化组和正常肝脏组间可分性较好.特征组C的正确识别率最高(95.00%,57/60),高于特征组A和特征组B(78.33%,47/60;88.33%,53/60;P＜0.05).结论 基于纹理特征的BP神经网络分类器适于肝硬化和正常肝脏MR图像的分类识别.     

维生素E对AD大鼠海马HNE含量的影响

目的:探讨AD大鼠海马4-羟基壬烯醛(HNE)含量的改变及维生素E对其的影响.方法:将SD大鼠36只随机均分为假手术组、AD模型组、维生素E治疗组三组.以β-淀粉样蛋白(Aβ25-35)左侧杏仁核注射制备AD大鼠模型,用Y迷宫检测并比较三组大鼠学习记忆功能.术后4周(维生素E治疗组服用维生素E后14天),应用免疫组化方法测定并比较三组大鼠海马中HNE的含量.结果:(1)术后4周,维生素E治疗组学习记忆能力较假手术组(P＜0.05),但较AD模型组有改善(P＜0.05).(2)术后4周,维生素E治疗组海马中HNE含量多于假手术组(P＜0.01),但少于AD模型组(P＜0.01).结论:AD模型大鼠海马中HNE含量增多;维生素E可以通过清除自然基的方式,减少脂质代谢产物的聚集,抑制氧化应激,改善AD症状.     

褪黑素对阿尔茨海默病模型大鼠学习记忆能力及海马CA3区神经元的保护作用

目的 观察褪黑素(MT)对阿尔茨海默病(AD)模型大鼠学习记忆及海马CA3区神经元的保护作用.方法 随机将60只雄性Wistar大鼠分为正常对照组、AD模型组与MT治疗组.采用右侧海马CA1区注射β-淀粉样蛋白1～40(Aβ1～40)构建AD动物模型,MT治疗组以MT(10mg/kg·d)腹腔注射,正常对照组与AD模型...     

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。