XiaoMi-AI文件搜索系统
World File Search SystemLMCI
数据受限的深度学习方法对阿尔茨海默病患者的轻度认知障碍进行分类
摘要 — 轻度认知障碍 (MCI) 是正常大脑功能衰退和更严重的痴呆症衰退之间的阶段。阿尔茨海默病 (AD) 是痴呆症的主要形式之一。虽然 MCI 并不总是导致 AD，但早期诊断 MCI 可能有助于发现那些有 AD 早期迹象的人。阿尔茨海默病神经影像学倡议 (ADNI) 已利用磁共振成像 (MRI) 诊断 MCI 和 AD。MCI 可分为两种类型：早期 MCI (EMCI) 和晚期 MCI (LMCI)。此外，MRI 结果可分为轴向、冠状面和矢状面三个视图。在这项工作中，我们使用深度学习方法基于有限的 MRI 图像对健康人和两种类型的 MCI 进行二元分类。具体来说，我们实现并比较了两种不同的卷积神经网络 (CNN) 架构。本研究使用了 516 名患者的 MRI：172 名正常对照 (CN)、172 名 EMCI 患者和 172 名 LMCI 患者。对于此数据集，50% 的图像用于训练，20% 用于验证，其余 30% 用于测试。结果表明，一个模型的最佳分类是在冠状面视图的 CN 和 LMCI 之间，准确率为 79.67%。此外，对于同一分类组，我们提出的第二个模型的准确率为 67.85%。
分析阿尔茨海默氏病的特征：使用易元的RESNET18 Network
摘要：阿尔茨海默氏病（AD）的第一个迹象之一是轻度的认知障碍（MCI），其中中级阶段之间存在很小的大脑变化。尽管最近在其早期发展水平上对AD的诊断有所增加，大脑变化及其功能性磁共振成像（fMRI）的复杂性，这使AD的早期发现很难。本文提出了一种基于深度学习的方法，该方法可以预测MCI，早期MCI（EMCI），已故MCI（LMCI）和AD。阿尔茨海默氏病神经影像学倡议（ADNI）fMRI数据集，由138名受试者组成。Finununed Resnet18网络的分类精度为99.99％，99.95％和99.95％的EMCI vs.ad，lmci vs.ad和MCI与EMCI分类场景。就准确性，灵敏度和特定城市而言，所提出的模型的性能比其他已知模型更好。
结合多视角信息增强多模态 MRI 数据的特征表示，实现 MCI 分类
轻度认知障碍 (MCI) 是阿尔茨海默病的早期阶段，与大脑结构和功能变化有关，其分类仍然是一项具有挑战性的任务。最近的研究表明，通过结合多种结构和功能特征（例如灰质体积和聚类系数）有望提高 MCI 分类的性能。然而，提取哪些特征以及如何组合多种特征来提高 MCI 分类的性能一直是一个具有挑战性的问题。为了解决这些问题，在本研究中，我们提出了一种新方法，通过结合多视图信息来增强多模态 MRI 数据的特征表示，以提高 MCI 分类的性能。首先，我们基于自动解剖标记 (AAL) 图谱从每个受试者的 T1w MRI 和 rs-fMRI 数据中提取每个皮质大脑区域的两个结构特征（包括灰质体积和皮质厚度）和两个功能特征（包括聚类系数和最短路径长度）。然后，为了获得更有助于区分 MCI 受试者的特征，提出了一种改进的多任务特征选择方法，即 MTFS-gLASSO-TTR。最后，采用多核学习算法将多个特征组合起来执行 MCI 分类任务。我们针对来自阿尔茨海默病神经影像计划 (ADNI) 数据库的 315 名受试者（包括 105 名 LMCI 受试者、105 名 EMCI 受试者和 105 名 NC）评估了我们提出的 MCI 分类方法，这些受试者的 T1w MRI 和 rs-fMRI 数据均来自阿尔茨海默病神经影像计划 (ADNI) 数据库。实验结果表明，我们提出的方法对 LMCI/NC 分类的准确率为 88.5%，受试者工作特征 (ROC) 曲线下面积 (AUC) 为 0.897，对 EMCI/NC 分类的准确率为 82.7%，AUC 为 0.832，对 LMCI/EMCI 分类的准确率为 79.6%，AUC 为 0.803。此外，通过比较，我们提出的方法在 MCI 分类中的准确率和 AUC 值优于一些现有的最先进方法。总的来说，我们提出的 MCI 分类方法是有效的，并且有望在临床实践中用于 MCI 的自动诊断。
![arXiv:2208.08896v1 [q-bio.NC] 2022 年 8 月 9 日](/simg/1\179a87c6f83be0ee92585383a262d85d2db19fa0.webp)
arXiv:2208.08896v1 [q-bio.NC] 2022 年 8 月 9 日
摘要：轻度认知障碍（MCI）是阿尔茨海默病（AD）的前兆，MCI的检测具有重要的临床意义。分析患者的结构脑网络对于识别MCI至关重要。然而，目前对结构脑网络的研究完全依赖于特定的工具箱，耗时且主观，很少有工具可以从脑扩散张量图像中获取结构脑网络。在本文中，提出了一种基于对抗学习的结构脑网络生成模型（SBGM），直接从脑扩散张量图像中学习结构连接。通过分析不同受试者结构脑网络的差异，我们发现从老年正常对照（NC）到早期轻度认知障碍（EMCI）再到晚期轻度认知障碍（LMCI），受试者的结构脑网络呈现出一致的趋势：随着病情的恶化，结构连接朝着逐渐变弱的方向发展。此外，我们提出的模型对 EMCI、LMCI 和 NC 受试者进行了三分类，在阿尔茨海默病神经影像计划 (ADNI) 数据库上实现了 83.33% 的分类准确率。
阿尔茨海默病功能性脑网络拓扑结构破坏趋势
阿尔茨海默病 (AD) 是一种与认知功能障碍相关的进行性疾病，会改变大脑的功能连接。评估这些改变已成为一个日益受关注的话题。然而，一些研究从复杂网络的角度研究了 AD 的不同阶段，涵盖了不同的拓扑尺度。本研究分析了从认知正常 (CN) 状态到早期和晚期轻度认知障碍 (EMCI 和 LMCI) 以及阿尔茨海默病的功能连接改变趋势。分析是在局部（枢纽和激活的链接和区域）、中观（聚类、分类和富人俱乐部）和全局（小世界、小世界性和效率）拓扑尺度上进行的。结果表明，功能性大脑网络拓扑结构的变化趋势并不完全与 AD 进展成正比，并且这些趋势在疾病的最早阶段即 EMCI 表现不同。此外，研究表明，与 CN 组相比，患病组参与了躯体运动、额顶叶和默认模式模块。患病组还将功能网络转向更随机的架构。最后，本文介绍的方法使我们能够广泛了解 AD 过程的病理变化。
PLS 对阿尔茨海默病的影像遗传学还能起到什么作用
摘要 — 在本研究中，我们利用偏最小二乘 (PLS) 模型分析阿尔茨海默病 (AD) 中灰质萎缩的遗传基础。为此，我们考虑了来自 T1 加权磁共振成像的 42 个特征，包括皮质厚度和皮质下体积来描述成像表型，而基因型信息包括 14 个最近提出的 AD 相关多基因风险评分 (PRS)，通过包括通过不同显着性阈值的单核苷酸多态性来计算。PLS 模型应用于从阿尔茨海默病神经影像学倡议 (ADNI) 数据库获得的大型研究队列，包括健康个体和 AD 患者，并在独立的 ADNI 轻度认知障碍 (MCI) 队列上进行了验证，包括早期 (EMCI) 和晚期 MCI (LMCI)。实验结果证实了 AD 中脑萎缩和基因型数据之间存在联合动态，同时在临床异质性队列上进行测试时提供了重要的泛化结果。特别是，AD 特异性较低的 PRS 评分与皮质厚度呈负相关，而 AD 特异性较高的 PRS 在特定皮质下体积和皮质厚度之间显示出特殊的相关模式。虽然第一个结果与众所周知的 AD 神经退化过程一致，但第二个结果可能揭示了不同的 AD 亚型。索引术语 — 偏最小二乘法、成像遗传学、灰质萎缩、多基因风险评分
一种早期检测阿尔茨海默病的新方法......
已确定的风险因素是遗传易感性，即家族史（5）。AD 的进展有四个不同的阶段，即早期轻度认知障碍 (EMCI)、轻度认知障碍 (MCI)、晚期轻度认知障碍 (LMCI) 和 AD（6）。EMCI 患者无法诊断为痴呆症，因为他们没有表现出足以干扰日常生活的症状；因此，在 MCI 的早期阶段检测出疾病对于减缓疾病进展、减轻不良症状和改善生活质量至关重要（7）。MCI 的常见症状包括健忘以及难以集中注意力、管理财务和完成任务。在这个阶段，受影响的人经常否认他们的症状，但在疾病进展到最后阶段之前检测出这个阶段是至关重要的（7,8）。由于 MCI 阶段的症状很容易被误诊为额颞叶痴呆 (FTD)、精神疾病、血管性痴呆或帕金森病，因此在这个阶段区分 AD 进展至关重要（9）。为了克服诊断困难，研究人员正在研究脑脊液，并使用计算机断层扫描 (CT)、磁共振成像 (MRI) 和正电子发射断层扫描 (PET) 等技术来检测 MCI 患者大脑的早期变化。其中，MRI 是最常用的，因为它完全无创且广泛可用。MRI 扫描可提供大脑结构异常变化的图片并检测大脑区域的收缩。理论上，MRI 可提供解析淀粉样蛋白-β 斑块所需的空间分辨率 (8-10)。机器学习 (ML) 是人工智能的一个分支，它允许计算机使用统计数据、概率和算法从感兴趣的数据中学习，从而解决复杂的现实问题。具有计算机辅助诊断的 ML 算法已广泛用于开发高性能医学图像处理系统 (10-11)。 ML 技术被发现对 AD 的诊断非常有用，许多研究已经使用了经典的 ML 方法，例如随机森林 (12) 和支持向量机 (SVM) (13) 来分析和解释 MRI 扫描、对模式进行分类和对数据进行建模。在这个领域使用 ML 有一些限制，因为这些算法通常涉及手动选择大脑 MRI 图像上的预选感兴趣区域 (ROI)。手动选择 ROI 需要大量劳动力和时间，并且容易出错 (14)。深度学习是 ML 的一个子集，它使我们能够解决