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。     

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...     

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。     

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。     

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。     

基于独立成分分析的双模态影像分类研究

本文运用信息极大化独立成分分析(ICA)分别提取结构磁共振成像(sMRI)和正电子发射断层影像(PET)的单模态特征,然后使用权重结合策略生成双模态影像特征,可提高阿尔茨海默病(AD)及轻度认知障碍(MCI)诊断准确度。AD患者与健康对照组(HC)的分类实验结果:准确度为93.75%、敏感度为100%、特异度为87.64%。MCI和HC组的实验结果:准确度为89.35%、敏感度为81.85%、特异度为99.36%。与单模态特征下的最好实验结果相比,本文提出的双模态分析方法对分类结果有显著的提高。     

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.     

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。     

血浆β淀粉样蛋白在阿尔茨海默病早期诊断中的临床价值

目的 探究血浆Aβ42、Aβ40和Aβ42/Aβ40比值作为生物标志物在阿尔茨海默病和轻度认知障碍早期诊断中的价值.方法 入选受试者113例,其中44例阿尔茨海默病患者,33例轻度认知障碍患者和36例正常老年人,取静脉血测定其血浆Aβ42和Aβ40蛋白水平.结果 NC组、MCI组和AD组Aβ42水平和Aβ42/Aβ40比值逐渐下降.Aβ40水平逐渐升高,但差异无统计学意义.Aβ42水平可以区分NC组和AD组,但无法区分MCI组.Aβ40水平在各组之间比较差异无统计学意义.Aβ42/Aβ40比值在各组之间差异均具有统计学意义.结论 血浆Aβ42和Aβ40不能独立作为阿尔茨海默病早期诊断标志物,而它们的比值或许可以作为潜在的MCI和AD的诊断生物标志物,作为脑脊液检查和影像学检查的补充作用.     

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。     

轻度认知障碍患者事件相关电位的诊断价值

目的：对轻度认知障碍（MCI）患者进行事件相关电位（ERP）检测,结合简易智能量表（MMSE）综合评价ERP对MCI的诊断价值。方法：将180例受试者分别编入MCI组、痴呆组及正常对照组,均进行听觉及视觉ERP检测,统计分析各组别ERP的特点。结果：MCI组与正常组及痴呆组比较,P300潜伏期和N2-P3以及P2-P3峰间波幅比较差异均有显著意义（P〈0．01）,其异常出现率也有差异。结论：P300可作为反映认知功能变化和作MCI诊断的一个客观的电生理学指标。     

Resting EEG Discrimination of Early Stage Alzheimer’s Disease from Normal Aging Using Inter-Channel Coherence Network Graphs

Amnestic mild cognitive impairment (MCI) is a degenerative neurological disorder at the early stage of Alzheimer’s disease (AD). This work is a pilot study aimed at developing a simple scalp-EEG-based method for screening and monitoring MCI and AD. Specifically, the use of graphical analysis of inter-channel coherence of resting EEG for the detection of MCI and AD at early stages is explored. Resting EEG records from 48 age-matched subjects (mean age 75.7 years)—15 normal controls (NC), 16 with early-stage MCI, and 17 with early-stage AD—are examined. Network graphs are constructed using pairwise inter-channel coherence measures for delta–theta, alpha, beta, and gamma band frequencies. Network features are computed and used in a support vector machine model to discriminate among the three groups. Leave-one-out cross-validation discrimination accuracies of 93.6% for MCI vs. NC (p < 0.0003), 93.8% for AD vs. NC (p < 0.0003), and 97.0% for MCI vs. AD (p < 0.0003) are achieved. These results suggest the potential for graphical analysis of resting EEG inter-channel coherence as an efficacious method for noninvasive screening for MCI and early AD.     

结合表型信息的阿尔兹海默症图卷积神经网络分类方法研究

阿尔兹海默症(AD)的早期检测与发现具有重要的临床和社会意义.由于AD患者的功能性脑网络拓扑性质存在异常变化,并且不同表型类型人群中阿尔兹海默症的患病率也存在着较大差异,因此将脑网络特征和表型信息结合构建训练特征,用于阿尔兹海默症不同阶段的分类.同时,图卷积神经网络(GCN)分类方法被证明是目前对图数据学习任务的最佳选...     

基于遗传算法和三维卷积神经网络集成模型的阿尔茨海默症早期辅助诊断

阿尔茨海默病(AD)作为一种常见的神经系统退行性疾病,其致病机制不明,尤其是对处于AD不同阶段的轻度认知障碍(MCI)患者的萎缩区域难以确定,导致误诊率偏高。为此,提出了基于3维卷积神经网络(3DCNN)和遗传算法(GA)相结合的AD早期辅助诊断模型。首先用3DCNN针对感兴趣区域(ROI)训练出候选基分类器,然后利用GA算法从中挑选出最优基分类器组合,最后集成起来进行分类,实现辅助诊断。同时,由于基分类器与脑区之间是一一对应的,进而可以找出具有显著分类能力的脑区。实验结果表明,AD与正常组(NC)的分类准确率为88.6%,转化为AD的MCI(MCIc)与NC的分类准确率为88.1%,未转化为AD的MCI(MCInc)与MCIc的分类准确率为71.3%。此外,通过对关键ROI(即脑区)所对应的行为域数据进行统计分析,GA筛选的关键脑区除了左延髓海马、左尾部海马和内外侧杏仁核、左海马旁回,还新发现了右颞中回前颞上沟、右扣带回背侧23等区域。实验得出所选脑区的功能主要影响情绪、记忆和认知等方面,这与AD患者出现的感情冷淡、记忆力下降、行动能力下降和认知水平下降等外在表现基本吻合。这些均表明所提方法是有效的。     

Hippocampal formation glucose metabolism and volume losses in MCI and AD.

We used MRI volume sampling with coregistered and atrophy corrected FDG-PET scans to test three hypotheses: 1) hippocampal formation measures are superior to temporal neocortical measures in the discrimination of normal (NL) and mild cognitive impairment (MCI); 2) neocortical measures are most useful in the separation of Alzheimer disease (AD) from NL or MCI; 3) measures of PET glucose metabolism (MRglu) have greater diagnostic sensitivity than MRI volume. Three groups of age, education, and gender matched NL, MCI, and AD subjects were studied. The results supported the hypotheses: 1) entorhinal cortex MRglu and hippocampal volume were most accurate in classifying NL and MCI; 2) both imaging modalities identified the temporal neocortex as best separating MCI and AD, whereas widespread changes accurately classified NL and AD; 3) In most between group comparisons regional MRglu measures were diagnostically superior to volume measures. These cross-sectional data show that in MCI hippocampal formation changes exist without significant neocortical changes. Neocortical changes best characterize AD. In both MCI and AD, metabolism reductions exceed volume losses.     

卷积神经网络在阿尔茨海默病诊断中的应用研究

随着深度学习技术在疾病诊断方面的广泛应用,尤其是卷积神经网络(CNN)在计算机视觉、图像处理方面的突出表现,越来越多的研究提出使用该算法实现阿尔茨海默病(AD)、轻度认知障碍(MCI)以及正常认知(CN)之间的诊断。本文系统地回顾了几种经典的卷积神经网络模型在该疾病不同阶段脑影像分析诊断方面的应用进展,进一步探讨了其存在的问题及研究方向,以期为该领域的研究提供一定的参考和借鉴。