通过使用MRI图像在阿尔茨海默病的图形不变量检测大脑网络异常

科学领域:

• 神经科学是一个神经科学.
• 图形理论 图形理论
• 医疗成像医学成像

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,其特点是逐渐认知能力下降.
• 早期发现结构性大脑网络异常对于AD诊断和分期至关重要.
• 现有的方法可能缺乏解释性或可扩展性来分析复杂的大脑变化.

研究的目的:

• 开发和验证基于图形的框架,用于分析与阿尔茨海默病相关的大脑网络中的结构异常.
• 评估六个基于距离的拓指数在表征大脑网络中断方面的有效性.
• 评估基于这些拓特征的机器学习模型来对AD进行分类.

主要方法:

• 通过使用亮度距离矩阵方法从MRI图像构建大脑图形.
• 计算了六个拓指数 (Szeged,Gravac-Ghorbani,Padmakar-Ivan,Mostar,Wiener,Gravac-Ghorbani规范化) 进行了计算. 这些指数包括:
• 沃茨和斯特罗格茨的小世界模型被用于规范化,然后使用机器学习模型进行分类.

主要成果:

• 提出的框架有效地描述了阿尔茨海默病患者大脑网络的结构性质.
• 规范化的拓索引作为机器学习模型的有效输入特征.
• 一个精细的神经网络模型在疾病分期方面实现了89.45%的分类准确性.

结论:

• 使用拓指数的图形理论方法显示出检测与阿尔茨海默氏症相关的大脑网络变化的巨大潜力.
• 该框架为AD诊断和分期提供了一个可扩展,可解释和隐私友好的解决方案.
• 拓指数是评估阿尔茨海默氏症疾病进展的有价值,可解释的生物标志物.