扩散张力成像 (DTI) 基于通道空间统计 (TBSS) 的分析和在阿尔茨海默氏病中使用多度数的分类
Yingteng Zhang1, Feibiao Zhan2
1Department of Mathematics, Taizhou University, 225300 Taizhou, Jiangsu, China.
Journal of integrative neuroscience
|July 31, 2023
概括
扩散张力成像和机器学习通过检测白质损伤有效地识别阿尔茨海默病 (AD). 这种方法有助于将AD患者与健康对照区分开来,以便早期诊断.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 神经学 神经学
背景情况:
- 阿尔茨海默病 (AD) 涉及大脑皮层缩和神经纤维状结.
- 早期识别高风险个体对于及时干预阿尔茨海默病至关重要.
- 扩散张力成像 (DTI) 与机器学习相结合,可以揭示独特的解剖模式,使AD与健康对照 (HC) 有区别.
研究的目的:
- 调查基于通道的空间统计 (TBSS) 和机器学习在对阿尔茨海默病患者的分类中的实用性.
- 为了确定在AD中受影响的特定白质纤维通道.
- 评估整合多个扩散指标的有效性,以提高分类准确性.
主要方法:
- 利用来自阿尔茨海默病神经成像计划的37名阿尔茨海默病患者和36名健康对照 (HC) 的DTI数据.
- 应用基于路径的空间统计 (TBSS) 用于白质分析.
- 使用的支持向量机器递归特征消除 (SVM-RFE) 用于多度分类.
主要成果:
- 在阿尔茨海默病患者中,TBSS在冠状辐射体,体和高级纵向囊中发现了显著的白质损伤.
- 使用SVM-RFE方法提高了分类性能.
- 整合分数异构性 (FA),平均扩散性 (MD) 和辐射扩散性 (RD) 有效地将AD患者与HC区分开来,FA是最重要的指标.
结论:
- TBSS和机器学习方法在指导阿尔茨海默病的临床诊断方面表现有前途.
- 来自DTI的指标,特别是FA,是AD检测的有价值的生物标志物.
- 多种扩散指标的整合增强了区分AD和健康状态的能力.
