Hierarchisch basierte Klassifizierungsmethode basierend auf der Fusion von Gaußschen Kartendeskriptoren für die Alzheimer-Diagnose mithilfe von T1

Scientific Reports Band 13, Artikelnummer: 13734 (2023) Diesen Artikel zitieren

164 Zugriffe

7 Altmetrisch

Details zu den Metriken

Die Alzheimer-Krankheit (AD) gilt als eine der am häufigsten auftretenden Krankheiten bei älteren Menschen. Im Jahr 2015 wird AD als sechste Todesursache in den USA gemeldet. Im Wesentlichen wird nicht-invasive Bildgebung häufig eingesetzt, um Biomarker bereitzustellen, die das AD-Screening, die Diagnose und den Krankheitsverlauf unterstützen. In dieser Studie werden auf Gaußschen Deskriptoren basierende Merkmale als effiziente neue Biomarker vorgeschlagen, die T1-gewichtete Bilder der Magnetresonanztomographie (MRT) verwenden, um zwischen Alzheimer-Krankheit (AD), leichter kognitiver Beeinträchtigung (MCI) und normalen Kontrollen (NC) zu unterscheiden. Es werden mehrere auf einer Gaußschen Karte basierende Merkmale extrahiert, beispielsweise der Gaußsche Formoperator, die Gaußsche Krümmung und die mittlere Krümmung. Die oben genannten Funktionen werden dann in die Support Vector Machine (SVM) eingeführt. Sie wurden zunächst getrennt für Hippocampus und Amygdala berechnet. Gefolgt von der Verschmelzung der Features. Darüber hinaus wurde auch die Fusion der Regionen vor der Merkmalsextraktion eingesetzt. In dieser Studie wird der Datensatz der Alzheimer’s Disease Neuroimaging Initiative (ADNI) verwendet, der aus 45, 55 bzw. 65 Fällen für AD, MCI und NC besteht. Die Formoperatorfunktion übertraf die anderen Funktionen mit einer Genauigkeit von 74,6 % bzw. 98,9 % bei der Klassifizierung „normal“ gegenüber „anomal“ bzw. „AD“ gegenüber „MCI“.

Eine der chronisch fortschreitenden neurodegenerativen Erkrankungen ist AD. Die Alzheimer-Krankheit ist die sechste Todesursache in den USA im Jahr 20151. Insgesamt leben fast 44 Millionen Menschen mit AD. Darüber hinaus wird sich die geschätzte Zahl der Betroffenen in den nächsten zwei Jahrzehnten verdoppeln2. Damit wird im Jahr 2050 jeder 85. Mensch AD2 haben. Es handelt sich um eine Demenzerkrankung, die aufgrund des Absterbens von Gehirnzellen mit einigen Verhaltensänderungen und Gedächtnisverlust einhergeht3. Die Manifestationen eines frühen Alzheimer-Anfalls beginnen im Alter zwischen 30 und 60 Jahren. Die ersten Manifestationen variieren von Patient zu Patient. Gedächtnisprobleme sind oft eines der ersten Anzeichen einer kognitiven Beeinträchtigung. Mit fortschreitender Krankheit kann bei den Betroffenen eine leichte kognitive Beeinträchtigung (MCI) diagnostiziert werden, da sie unter stärkerem Gedächtnisverlust und anderen kognitiven Schwierigkeiten leiden. In diesem Stadium können die Patienten ihre alltäglichen Bewegungen ausführen, jedoch mit minimaler Angemessenheit. MCI gilt als das längste Stadium, da es 20–30 Jahre dauern kann. AD schreitet in verschiedenen Stadien voran: präklinisch, mild (manchmal als Frühstadium bezeichnet), mittelschwer und schwer (manchmal als Spätstadium bezeichnet). Das Spätstadium der Erkrankung, in dem Patienten fünf Jahre bleiben können, endete in der Regel mit dem Tod des Patienten4.

Da die AD-Durchschnittswerte in den kommenden Jahren voraussichtlich dramatisch ansteigen werden. Allerdings sind ihre frühe Diagnose und Behandlung ein wesentlicher Aspekt der modernen Wissenschaft. Darüber hinaus verändern die Fortschritte in der Neurobildgebung und die Suche nach neuen Biomarkern unser Verständnis von AD. Die strukturierte Magnetresonanztomographie (MRT) verfügt über einen großen Weichteilkontrastbereich, der die Anatomie detailliert beschreiben kann. Eine neue, auf Biomarkern basierende Definition mithilfe der MRT kann die Neurodegeneration messen4,5. Frühe Forschungsarbeiten zur Analyse von MRT-Bildern bei AD-Patienten konzentrieren sich auf die Schätzung der Atrophie des Gehirns/der Region (oder des Volumens des Gehirns/der Region)6,7,8 und auf die Quantifizierung der MRT-Signalveränderungen aufgrund von Veränderungen in den Gewebeeigenschaften, wie z. B. Hyperintensitäten der weißen Substanz T2-gewichtete Bilder9. Damulina et al.10 berechneten die WMH-Belastung in verschiedenen Hirnregionen und verglichen normale Kontrollpersonen mit AD-Patienten. Sie bestätigten eine erhöhte WMH-Belastung bei AD-Patienten, insbesondere in den periventrikulären Hirnregionen, der parietalen weißen Substanz und dem subkortikalen Frontalhirn. Andere betonen die Atrophie des Hippocampus und benachbarter medialer Schläfenstrukturen, indem sie die regionalen volumetrischen Veränderungen bei Patienten mit AD im Vergleich zu normalen Kontrollpersonen analysieren6,7,8,11.

Ausgehend von den Lesungen der Autoren wurden in früheren Arbeiten Ansätze zur automatischen Klassifizierung der verschiedenen Stadien der Alzheimer-Krankheit entwickelt, die in drei Kategorien eingeteilt werden können: voxelbasierte Ansätze, vertexbasierte Ansätze und Ansätze, die auf der Region of Interest (ROI) basieren. Bei den Voxel-Ansätzen repräsentieren die Merkmale die Wahrscheinlichkeitskarten des Gewebetyps in jedem Voxel. Die Wahrscheinlichkeitskarte wird normalerweise durch das Histogramm der Intensitätsschätzung jedes Voxels berechnet9,12,13,14,15. Bei scheitelpunktbasierten Ansätzen werden die Merkmale normalerweise aus der Oberfläche der Großhirnrinde extrahiert, beispielsweise aus der Dicke der Großhirnrinde an jedem Scheitelpunkt der Großhirnrinde. Die innere und äußere Oberfläche des Kortex werden extrahiert und als die gleiche Anzahl von Scheitelpunkten dargestellt, wobei weitere Maße extrahiert werden, wie beispielsweise die kortikale Dicke (definiert als der euklidische Abstand zwischen diesen verbundenen Scheitelpunkten)16,17,18. Wenn die Erkundung auf der Grundlage des Volumens durchgeführt wird, spricht man von ROI-basierten Ansätzen15,19. Ein anderer ROI-Weg besteht darin, die Form der am stärksten betroffenen Regionen aufgrund des Fortschreitens der Krankheit zu untersuchen16,20. In einer kürzlich durchgeführten Studie wurde eine komplexe volumetrische und vertexbasierte Analyse zusammengestellt, um das Muster subregionaler Strukturveränderungen in den Strukturen der grauen Substanz zu untersuchen, und diese mit den klinischen Ergebnissen für AD und MCI im Vergleich zu den normalen Kontrollen korreliert. Ihre Ergebnisse zeigten eine signifikante Atrophie der bilateralen Hippocampi und des Nucleus accumbens bei AD-Patienten im Vergleich zu normalen Kontrollpersonen8.

Der Hippocampus und die Amygdala gelten hinsichtlich ihrer Form als die am stärksten von der rückläufigen Alzheimer-Krankheit betroffenen Teile)6,13,20. Addiert man die wichtige Rolle des Hippocampus im Zusammenhang mit dem Langzeitgedächtnis, das alle vergangenen Bewusstseinszustände und Erfahrungen umfasst21,22,23. Dagegen spielt die Amygdala eine entscheidende Funktion bei der emotionalen Verarbeitung, wie z. B. dem mit Emotionen verbundenen Gedächtnis und den adaptiven Reaktionen auf emotionale Reize24. Daher verändert die Suche nach neuen Biomarkern unser Verständnis von AD, insbesondere durch die Verkleinerung dieser Regionen, die mit kognitiven Beeinträchtigungen von Patienten verbunden sind, was sie möglicherweise als potenzielle Zielregionen für die Behandlung von AD bestätigt. Ansonsten besteht die bestehende Herausforderung für die moderne Neurobildgebung darin, bei der Diagnose früher AD- und MCI-Patienten zu helfen. Dies spiegelt sowohl das Krankheitsstadium als auch den prädiktiven Verlauf einer leichten kognitiven Störung wider.

In diesem Artikel werden die auf der Gaußschen Karte basierenden Merkmale verwendet, die aus dem ROI extrahiert wurden, um zwischen normalen Kontrollpersonen, MCI- und AD-Patienten zu unterscheiden. Die Merkmale der Gaußschen Karte wurden sowohl für den Hippocampus als auch für die Amygdala einmal und noch einmal separat extrahiert, nachdem die beiden Regionen kontaminiert wurden, um die Gesamtveränderungen in der Form zu untersuchen, anstatt dies für jede Region separat zu untersuchen. Für eine bessere Beurteilung und ein besseres Verständnis wurden zwei Fusionsebenen durchgeführt; Feature-Fusion-Ebene, die durch unabhängige Berechnung jedes ROI-extrahierten Features und anschließende Fusion beider zur weiteren Klassifizierung erreicht wurde. ROI-Fusion-Ebene, wobei auch die Fusion der Regionen vor der Merkmalsextraktion verwendet wurde. Der Klassifizierungsprozess folgt hierarchischen Kriterien, wobei in der ersten Phase das Ziel darin besteht, NC von den abnormalen Subjekten zu unterscheiden; mit den Namen AD und MCI. Der zweite Schritt besteht darin, die AD- und MCI-Fächer zu unterscheiden. Die auf Gauß basierenden extrahierten Merkmale wurden dann dem SVM-Klassifikator übergeben. Abschließend wird die Leistung der vorgeschlagenen extrahierten Merkmale bewertet, wobei Sensitivität, Spezifität, Genauigkeit und ROC-Analyse25 berechnet werden.

Unsere Studie umfasst einhundertfünfundsechzig Probanden (165). In den Tabellen 1 und 2 sind die Altersspanne der in der Studie beschäftigten Probanden sowie die inklusiven diagnostischen Kriterien wie der Mini-Mental State Exam Score (MMSE) und die klinische Demenzbewertung aufgeführt ( CDR). Der Datensatz wurde mithilfe des ADNI-Erfassungsprotokolls erfasst. Ausgewählte Volumina mit hoher Auflösung wurden in der Transversalebene mit einem 3-Tesla-MRT-Scanner und einer 3D-MPRAGE-T1-gewichteten Sequenz erfasst. Tabelle 3 zeigt alle Scanparameter. Eine vollständige Beschreibung von ADNI finden Sie unter http://adni.loni.usc.edu/. Das Alter der eingeschriebenen Normalpersonen und Patienten reichte von 56 bis einschließlich 80 Jahren und sie hatten mindestens sechs Bildungsstufen abgeschlossen (oder hatten eine gute Berufserfahrung, die ausreichte, um eine geistige Behinderung auszuschließen), wie in Tabelle 1 dargestellt. Alle Probanden werden zwei bis drei Jahre lang in bestimmten Abständen einer klinischen/kognitiven Beurteilung und einem strukturellen MRT-Scan unterzogen. Ungefähr 50 % der Probanden werden in den gleichen Zeitintervallen auch PET-Scans unterzogen, und bei 25 % der Probanden (die nicht mittels PET gescannt wurden) wird ein MRT bei 3 T durchgeführt.

Gemäß dem ADNI-Handbuchprotokoll wurden die Punkte der allgemeinen Einschluss-/Ausschlusskriterien entwickelt, um Personen mit der amnestischen Form von MCI zu identifizieren. Bildungsbereinigte Cut-Scores für das logische Gedächtnis wurden verwendet, um sicherzustellen, dass tatsächlich ein Gedächtnisdefizit vorlag und dass das Gedächtnisdefizit schwerwiegend genug war, um eine angemessene Konversionsrate zu AD in der mit Placebo behandelten Bevölkerung sicherzustellen. Ein Beurteilungsausschuss wurde eingerichtet, um Daten zu überprüfen, wenn ein Standort der Ansicht war, dass ein Proband von MCI zu AD konvertiert war. Die allgemeinen Einschluss-/Ausschlusskriterien für alle Personalvermittler lauten wie folgt:

Alle Probanden müssen bereit und in der Lage sein, sich allen Testverfahren einschließlich Neuroimaging zu unterziehen, und einer Längsschnitt-Nachuntersuchung zustimmen. Spezifische psychoaktive Medikamente werden ausgeschlossen. Der Ausschluss für Patienten erfolgt auch, wenn eine andere schwerwiegende neurologische Erkrankung vorliegt als der Verdacht auf eine beginnende Alzheimer-Krankheit, wie z. B. Parkinson-Krankheit, Multiple Sklerose usw. oder schwere Kopfverletzungen in der Vorgeschichte oder bekannte strukturelle Hirnanomalien. Jede schwerwiegende systemische Erkrankung oder jeder instabile Gesundheitszustand, der zu Schwierigkeiten bei der Einhaltung des Protokolls führen könnte.

Alle MRT- und PET-Scans werden schnell auf Qualität überprüft, sodass die Probanden bei Bedarf erneut gescannt werden können. Alle klinischen Daten werden vom Koordinierungszentrum der UCSD gesammelt, überwacht und gespeichert. U Penn wird Biomarker-Proben sammeln. Alle rohen und verarbeiteten Bilddaten werden bei LONI archiviert. Weitere Einzelheiten zu den Einschluss-/Ausschlusskriterien finden Sie unter folgendem Link: https://adni.loni.usc.edu/wp-content/themes/freshnews-dev-v2/documents/clinical/ADNI-1_Protocol.pdf

Die an der Universität Oxford erstellte FMRIB Software Library (FSL)26 ist eine Softwarebibliothek für die Bildanalyse und statistische Tools für funktionelle, strukturelle und diffuse MRT-Bildgebungsdaten des Gehirns. Um den Hippocampus und die Amygdala zu extrahieren, wird FSL hier durch die folgenden Schritte angewendet:

Extraktion von Hirngewebe: Ziel dieses Schritts ist die Extraktion des Gehirns aus dem Schädel mit dem Brain Extraction Tool (BET) der FSL-Software. Aus einem Bild des gesamten Kopfes löscht BET Nicht-Gehirngewebe. Anhand guter T1- und T2-Bilder können auch die inneren und äußeren Schädeloberflächen abgeschätzt werden.

Registrierung bei Atlas: Dieser Schritt gilt als entscheidender Schritt für die korrekte Segmentierung der ROIs, um die Unterschiede in Größe und Position des Gehirns zu überwinden.

Segmentierung des Hippocampus und der Amygdala.

Hippocampus- und Amygdala-Regionsfusion: Dieser Schritt wird mit dem FSL-Visualisierungstool durchgeführt, das auf der subkortikalen Struktur von Harvard Oxford basiert, wie in Abb. 1 dargestellt. Die Regionsfusion wird mit dem Befehl Fslmath berechnet, um den extrahierten Hippocampus zur extrahierten Amygdala zu addieren Um einen ROI zu bilden, wird dieser als neue Region behandelt, die später zur Analyse als Hippo-Amygdala-ROI bezeichnet wird.

Hippocampus- und Amygdala-Position.

Im euklidischen Raum R3 stellt die Gauß-Karte eine Oberfläche einer Einheitskugel S2 dar und speichert dabei deren Form. Folglich wird durch die gleichmäßige Abtastung von Punkten oder Scheitelpunkten auf der Oberfläche die Normalvektorausrichtung der Punkte nach der Drehung geändert. Abbildung 2 zeigt die Verschiebung des Normalenvektors n des Punktes p von der ursprünglichen Oberfläche zur Einheitskugel, wo sein Ursprung mit dem Ursprung der Koordinate koexistiert. Der Name des Prozesses lautet Gaußsche Abbildung, und die Kugel wird als Gaußsche Kugel27,28 bezeichnet.

Gauß-Kartendefinition.

Die Variation des Normalenvektors n an jedem Punkt p wird mithilfe der Ableitung der Gauß-Karte am selben Punkt p gemessen. Basierend auf der Gauß-Karte wurden in dieser Studie drei Hauptmerkmalssätze verwendet, die als Gaußscher Formoperator, Gaußsche Krümmung und mittlere Krümmung bezeichnet werden. Um zu messen, wie sich die Oberfläche biegt, wird der Gaußsche Formoperator konstruiert. Es löst die Form auf, indem an jedem Punkt auf der Oberfläche der Kurve eine Matrix aus Normalen und Tangenten erstellt wird29. Die Eigenwerte des Formoperators stellen die maximale und minimale Biegung der Oberfläche am Punkt p dar, bekannt durch die Hauptkrümmungen \({\upkappa }_{1}\) und \({\upkappa }_{2} \), messen. Das Skalarprodukt dieser Hauptkrümmung, \(K = {\upkappa }_{{1}} \cdot {\upkappa }_{{2}} ,\), ist als Gaußsche Krümmung definiert. Das Vorzeichen der Gaußschen Krümmung kann zur Charakterisierung der Oberfläche in Abhängigkeit vom Vorzeichen der Hauptkrümmung verwendet werden. Wie in Abb. 3 gezeigt: Wenn die Hauptkrümmungen das gleiche Vorzeichen haben (\({\upkappa }_{{1}} \cdot {\upkappa }_{{2}}\) > 0), dann gilt die Gaußsche Funktion Die Krümmung ist positiv und die entsprechende Fläche ist elliptisch. Wenn eine der Hauptkrümmungen Null ist (\({\upkappa }_{{1}} \cdot {\upkappa }_{{2}}\) = 0), dann ist die Gaußsche Krümmung Null und die erwartete Oberfläche sollte einer Parabel folgen. Wenn die Hauptkrümmungen unterschiedliche Vorzeichen haben, ist das Skalarprodukt negativ (\({\upkappa }_{{1}} \cdot {\upkappa }_{{2}}\) < 0). Dann ist die Gaußsche Krümmung negativ und repräsentiert eine hyperbolische oder Sattelpunktoberfläche. Somit kann die Gaußsche Krümmung dabei helfen, den Krümmungsaustausch von Hippocampus und Amygdala von einem Punkt zum anderen auf der Oberfläche zu verfolgen.

Von rechts nach links: Eine Fläche mit negativer Gaußscher Krümmung wird als Hyperboloidfläche dargestellt, eine Fläche mit einer Gaußschen Krümmung von Null ist ein Zylinder und eine Fläche mit positiver Gaußscher Krümmung ist eine Kugel.

Die mittlere Krümmung ist der Durchschnitt der vorzeichenbehafteten Krümmung, wie in der folgenden Gleichung dargestellt:

Aus dem zuvor genannten mathematischen Hintergrund geht hervor, dass die Merkmale der Gaußschen Karte sowohl für den Hippocampus als auch für die Amygdala extrahiert wurden. Dabei geht es darum, die allgemeinen Veränderungen in der Form jedes einzelnen zu verstehen, anstatt nur das Volumen jedes einzelnen zu untersuchen. Die Deskriptoren sind sphärische harmonische Merkmale, die häufig zur Beschreibung und Erkennung von Objekten in volumetrischen Bildern auf rotationsinvariante Weise verwendet werden. Sie umfassen nicht nur das Signal eines einzelnen Voxels, sondern auch die benachbarten Voxel, was das Muster der Faserverteilung in den verschiedenen Gehirnen beschreibt Regionen für Normalen, MCIs und ADs. Diese Hippocampus- und Amygdala-Formanalyse kann aussagekräftiger sein als globale Hippocampus- und Amygdala-Volumenänderungen. Die Formanalyse kann wichtige Informationen über die räumliche Verteilung von Atrophie oder Ausdehnung einer Struktur liefern, die Volumenanomalien aufweist, und basierend auf den beteiligten Substrukturen und ihrer funktionellen Rolle kann sie dabei helfen, die funktionellen Folgen solcher Volumenanomalien zu verstehen.

Makkinejad et al. untersuchten die Amygdala-Formanomalien, die mit der TDP-43-Pathologie im Alter verbunden sind31. Die Pathologie des transaktiven Antwort-DNA-bindenden Proteins 43 (TDP-43) kommt im Alter häufig vor und ist stark mit kognitivem Verfall und Demenz verbunden. Eine TDP-43-Pathologie wurde bei bis zu 55 % der Personen mit der Alzheimer-Krankheit (AD) gemeldet. Es wurde gezeigt, dass die TDP-43-Pathologie im Alter fast genauso viel für die Varianz des kognitiven Verfalls im späten Leben verantwortlich ist wie neurofibrilläre Verwicklungen ( typische Pathologie der AD)31. Bei Personen mit AD lagert sich die TDP-43-Pathologie zunächst in der Amygdala ab, gefolgt vom Hippocampus und anderen Regionen31. Makkinejad et al. Die Formanalyse ergab ein einzigartiges Muster der Amygdala-Verformung im Zusammenhang mit der TDP-43-Pathologie, was zusammenfasst, dass die Informationen aus der Ex-vivo-MRT ähnliche Informationen über die Amygdala-Form liefern können wie die aus der In-vivo-MRT stammenden Informationen31.

Da die Pathologie des Hippocampus als zentraler Meilenstein bei AD angesehen wird, wird sie auch als diagnostischer Biomarker in der Klinik verwendet. Der Hippocampus besteht aus vier Unterregionen: CA1, CA2, CA3 und CA432. Andere Studien ergaben, dass erhöhte pathologische Belastungen durch P-Tau und P-Syn und damit verbundene Mikroglia-Veränderungen zu einer schwerwiegenderen Verschlechterung des CA1 bei AD führen. Eine Unterregion, die bei Alzheimer betroffen ist33,34.

Während frühere volumetrische MRT-Studien die Pathologie durch Messung des Gesamtvolumenverlusts des Hippocampus untersuchten, versuchen neuere Studien, regionale Pathologien innerhalb der Struktur durch die Analyse der Formverformung einer bestimmten Unterregion zu identifizieren, eine Methode, die in mehreren Studien zu AD35 verwendet wurde. Jeder der Deskriptoren beschreibt bestimmte Merkmale wie die lokale Krümmung der geglätteten Faserverteilung, die sich während der verschiedenen Stadien der Krankheit auswirkte, wie bereits in der Literatur erwähnt15,36. Der Vorteil dieses Ansatzes besteht darin, dass er die Daten lokal modelliert. Daher kann es mit Daten umgehen, bei denen sich erhebliche Bereiche vom Prototyp unterscheiden.

Die Reduzierung der Dimensionalität ist ein wichtiger Schritt, der dazu beiträgt, einen Fall der Überanpassung zu vermeiden, da die Menge an Merkmalen im Hinblick auf die Größe der in dieser Studie verwendeten Datenmengen als riesig angesehen wird. Darüber hinaus basiert die Größe der Merkmale hauptsächlich auf der Anzahl der Scheitelpunkte, die das extrahierte Volumen darstellen, das von Volumen zu Volumen unterschiedlich ist. Die Dimensionalitätsreduzierung wird auf der Grundlage eines bekannten Merkmalsauswahlansatzes namens Fisher Score37,38 festgelegt. Die Fisher-Information misst die Menge an Informationen, die eine beobachtbare Zufallsvariable X über einen unbekannten Parameter θ einer Verteilung enthält, die X39 modelliert. Als Klassifikator wird Support Vector Machine (SVM) als überwachter Lernalgorithmus eingesetzt, der die zur Klassifizierung verwendeten Daten analysiert. Sein Ziel besteht darin, zwischen verschiedenen Klassen zu trennen, indem eine Funktion gelernt wird, die aus verfügbaren Beispielen induziert wird. SVMs können eine lineare und nichtlineare Klassifizierung durchführen. In dieser Studie wurde ein SVM-basierter Kernel (Radial Basis Function, RBF) unter Verwendung von LIBSVM verwendet, einem Paket, das von der Informatikabteilung der National Taiwan University40 entwickelt wurde. Um die Leistung des Systems zu bewerten, wird die ROC-Kurve (Receiver Operating Characteristic) verwendet, da sie sich gut zur Beurteilung der diagnostischen Wirksamkeit von Tests eignet, um den wahren Zustand von Probanden zu ermitteln und zwei Standby-Diagnoseaufgaben zu vergleichen, wenn jede Aufgabe zum gleichen Probanden gestellt wird27 .

Basierend auf den medizinischen Erkenntnissen aus der Literatur9,15,34,35,36,41,42,43,44,45 wurden Unterschiede in den Atrophieraten in medialen Temporallappenstrukturen zwischen Patienten mit MCI und Kontrollpersonen beschrieben. Darüber hinaus wurde bei Patienten mit familiärer AD eine erhöhte Verschlechterungsrate des Hippocampus festgestellt, bevor klinische Symptome auftreten, und darüber hinaus kommt es zu einem stärkeren Rückgang in anderen kortikalen Bereichen9,36,40. Dieses Muster der vorherrschenden Atrophie gilt theoretisch als offensichtlich bei Patienten mit MCI, die später zu AD40 fortschreiten. Darüber hinaus wurde diese Schrumpfung in früheren Studien wie der Alzheimer-Erkennung und Depressionen als Biomarker betrachtet9,41. In dieser Arbeit wurde daher die Untersuchung des Volumens der Hippocampus-Schrumpfung während der Alzheimer-Krankheit und ihrer Abnahme mit der Verschlechterung der Krankheit in Betracht gezogen, indem zunächst die Hippocampus-Atrophie experimentiert wurde, bevor die Deskriptoren der Gaußschen Karte verwendet wurden, um zwischen normal, AD und MCI zu unterscheiden. Die Ergebnisse dieses Experiments werden im Folgenden vorgestellt folgenden Abschnitt. Da die Berechnung und Segmentierung der Hippocampus-Volumetrie ein großes Problem darstellt, wurden viele Tools zur Berechnung eingeführt, wie z. B. Freesurfer und Open-Source-VolBrain. In diesem Artikel wurde das spätere Tool (ein Open-Source-Tool)42 verwendet, das für Hippocampus-T1-gewichtete MRT-Bilder entwickelt wurde, um das Volumen verschiedener Regionen im Gehirn zu segmentieren und zu berechnen.

Daher basiert die andere Methode auf der Gaußschen Karte basierenden Merkmalen, die aus dem ROI extrahiert werden, um zwischen normalen Kontroll-, MCI- und AD-Patienten zu unterscheiden. Die Merkmale der Gaußschen Karte wurden sowohl für den Hippocampus als auch für die Amygdala einmal und noch einmal separat extrahiert, nachdem die beiden Regionen kontaminiert wurden, um die Gesamtveränderungen in der Form zu untersuchen, anstatt dies für jede Region separat zu untersuchen. Für eine bessere Beurteilung und ein besseres Verständnis wurden zwei Fusionsebenen durchgeführt; Feature-Fusion-Ebene, die durch unabhängige Berechnung jedes ROI-extrahierten Features und anschließende Fusion beider zur weiteren Klassifizierung erreicht wurde. ROI-Fusion-Ebene, wobei auch die Fusion der Regionen vor der Merkmalsextraktion verwendet wurde. Der Klassifizierungsprozess folgt hierarchischen Kriterien, wobei in der ersten Phase das Ziel darin besteht, NC von den abnormalen Subjekten zu unterscheiden; mit den Namen AD und MCI. Der zweite Schritt besteht darin, die AD- und MCI-Fächer zu unterscheiden. Die auf Gauß basierenden extrahierten Merkmale wurden dann dem SVM-Klassifikator übergeben. Abschließend wird die Leistung der vorgeschlagenen extrahierten Merkmale bewertet, wobei Sensitivität, Spezifität, Genauigkeit und ROC-Analyse berechnet werden.

Tabelle 4 zeigt die Ergebnisse unseres ersten Experiments, das die Atrophie des Hippocampus und der Amygdala untersucht, um zwischen normal, AD und MCI zu unterscheiden. Das Open-Source-Tool VolBrain wurde verwendet, um das Volumen verschiedener Regionen im Gehirn zu segmentieren und zu berechnen. Die Klassifizierung zwischen normal, MCI und AD basiert auf dem Hippocampus und der Amygdala-Atrophie.

Aus Tabelle 4 können wir schließen, dass die Ergebnisse zwar akzeptabel waren, es aber dennoch bessere Ergebnisse gibt, die durch die Berechnung der Deskriptormerkmale der Gaußschen Karte erzielt werden können, da diese nicht nur von der Volumengröße, sondern auch von der Form der Gehirnregion abhängen. Dieses Ergebnis stimmt mit dem überein, was Ahmed et al.15 in ihrer Forschung präsentiert haben. Mithilfe verschiedener Methoden kategorisierten sie Personen mit AD und/oder MCI anhand der anatomischen MRT automatisch. Abhängig davon, welche MRT-Merkmale extrahiert werden, können diese Methoden grob in drei Kategorien unterteilt werden: voxelbasierte, vertexbasierte oder ROI-basierte Analyse39. Basierend auf den Ergebnissen ihrer Umfrage legt eine ROI-basierte Analyse außerdem nahe, dass die Form im Hippocampus wichtiger ist als das Volumen.

Allerdings gaben Henneman et al.44 an, dass es Unterschiede in der Atrophierate (Atrophie) in den medialen Temporallappenstrukturen zwischen MCI-Patienten und Kontrollpersonen gibt. Schon bevor klinische Symptome auftraten, hatten Personen mit familiärer AD eine höhere Schrumpfungsrate des Hippocampus. Bei AD-Patienten kommt es zu einer ausgedehnteren Atrophie in anderen kortikalen Regionen. Patienten mit MCI, die später zu AD übergehen, zeigen bereits dieses Muster einer ausgedehnten Atrophie. Wir zeigen, dass im Gegensatz zu früheren Berichten die Schrumpfung (Rate) des Hippocampus Patienten mit AD nicht von Patienten mit MCI unterscheidet. Dies bestätigt frühere Forschungsergebnisse, die zeigen, dass die Rate der Schrumpfung des Hippocampus, die der Alzheimer-Krankheit ähnelt, bereits im Übergangsstadium (MCI) vorhanden ist. Ab diesem Zeitpunkt werden die Atrophieraten des gesamten Gehirns, die mit zunehmender Schwere der Erkrankung weiter ansteigen, zu einem genaueren Indikator für das Fortschreiten der Erkrankung als die Beurteilung des Hippocampusvolumens.

Genauer gesagt besteht der Hippocampus aus vier Unterregionen: CA1, CA2, CA3 und CA49, wie in Abb. 4 dargestellt. Die Unterregion, die während Alzheimer betroffen war, ist CA1. Die Form der CA1-Kurve ist geschrumpft, so dass Veränderungen in der Krümmung in Bezug auf die Form ein guter Indikator für die Alzheimer-Erkennung sind. Die mittlere Krümmung ist der Durchschnitt der vorzeichenbehafteten Krümmung. Wie dargestellt, reicht die Berechnung des Durchschnitts nicht aus, da die Veränderung in die gleiche Richtung und in einem kleinen Bereich im Vergleich zum gesamten Hippocampus erfolgte41.

Der Hippocampus besteht aus vier Unterregionen, nämlich CA1, CA2, CA3 und CA4, und die Hippocampus-Erosion trat aufgrund der Alzheimer-Krankheit auf (b) im Vergleich zu normalen Probanden (a).

Laut Mueller et al.45 sind normales Altern und Alzheimer bereits in den Anfangsphasen mit einem charakteristischen Muster der Atrophie des Hippocampus verbunden, d. h. Alterung mit Volumenverlust im CA1- und MCI mit Volumenverlust im CA1-2-Übergang. Der Volumenverlust beim CA1-2-Übergang übertraf das Gesamtvolumen des Hippocampus im Hinblick auf die Unterscheidung zwischen Probanden mit MCI und Kontrollpersonen. Vor diesem Hintergrund kommen sie zu dem Schluss, dass Teilfeldmessungen möglicherweise eine genauere Methode zur Identifizierung von MCI und AD im Frühstadium sind als Messungen des gesamten Hippocampus.

Aus der vorherigen Diskussion geht hervor, dass die Atrophie (Rate) des Hippocampus nicht ausreichte, um Patienten mit AD von Patienten mit MCI zu unterscheiden, wie auch von anderen berichtet wurde. Um zwischen AD-, MCI- und Normalfällen zu unterscheiden, haben wir hauptsächlich Gaußsche Kartendeskriptormerkmale wie Formoperator, Gaußsche Krümmung und mittlere Krümmung auf drei ROIs (Hippocampus, Amygdala und Hippo-Amygdala-Regionsbasierte Fusion) separat angewendet, Region- Es wurde auch eine merkmalsbasierte Fusion berechnet. Als nächstes wurden diese Merkmale dem SVM-Klassifikator zugeführt. Die Klassifizierungsaufgabe wurde durch ein hierarchisches Framework implementiert. Der erste Schritt besteht darin, zwischen normalen und abnormalen Fällen zu unterscheiden, was sowohl AD- als auch MCI-Patienten umfasst. Der zweite Schritt besteht darin, die abnormalen Fälle in AD und MCI zu klassifizieren. Tabelle 5 zeigt die Klassifikatorgenauigkeit aufgrund von Gaußschen Kartenmerkmalen für die Regionsfusion, die zeigt, dass der Formoperator ein Ergebnis von 74,6 % für die Unterscheidung zwischen normalen und abnormalen Fällen mit einem Signifikanz-p-Wert von 0,05 liefert, während Gaußsche Krümmung und mittlere Krümmung ergeben 72,2 % bzw. 73,9 %. Alle Merkmale der Gaußschen Kartendeskriptoren (Formoperator, Gaußsche Krümmung und mittlere Krümmung) ermöglichen etwa 98,9 %, 98,5 % und 98,2 % der Unterscheidung zwischen AD und MCI mit einem Signifikanz-p-Wert von 0,1, 0,3 bzw. 0,1. Die guten signifikanten Ergebnisse machen das vorgeschlagene System stabiler und robuster. Während die Merkmale der Hippocampus-Region nur für die Klassifizierung normal/abnormal verwendet werden, ergeben sich etwa 73,2 %, 69,5 % bzw. 61 % für den Formoperator, die Gaußsche Krümmung und die mittlere Krümmung, Tabelle 6.

Durch die Fusion der Regionen (Hippocampus, Amygdala) und die Vergrößerung des ROI ist das System in der Lage, die Krümmungsänderungen besser zu messen, wodurch die Ergebnisse verbessert wurden. Tabelle 5 zeigt die Genauigkeit des Klassifikators für Gauß-Karten-Features für die Feature-Fusion. Sie zeigt, dass der Formoperator ein Ergebnis von 73,4 % für die Unterscheidung zwischen normalen und abnormalen Fällen mit einem p-Wert von 0,14 liefert, während das Gaußsche Krümmungsmerkmal eine Signifikanz aufweist gibt etwa 96,2 % der Unterscheidung zwischen AD und MCI mit einem p-Wert von 0,2 an Signifikanz.

Das gesamte Volumen des Hippocampus schrumpft mit fortschreitender Krankheit, was ein starker Hinweis auf AD ist. Die Segmentierung subkortikaler Strukturen mit VolBrain führt zu unterschiedlichen Ergebnissen für normale, MCI- und AD-Gehirne. Die Genauigkeit der Gauß-Kartenmerkmale (Form) für das Amygdala-Gebiet ist nachweislich geringer als die, die auf der Grundlage der Volumenberechnung bei der Berechnung der Genauigkeit des Klassifikators ermittelt wurde. Ein anderes Beispiel ist die Hippocampus-Region, wo Gauß-Karten-basierte Merkmale eine bessere Leistung erbringen als solche, die auf Volumenberechnungen basieren, was sinnvoll ist, da die Form mehr Informationen als das Volumen liefert. Darüber hinaus gibt es unabhängig vom Krankheitsstadium eine Variabilität innerhalb der Klasse, was bedeutet, dass das Gehirnvolumen jedes Patienten variiert.

Seitdem, in den späten Begriffen von AD, kam es zu einer äußersten Abnutzung der Form und Krümmung des Hippocampus. Es kann verwendet werden, um den Krankheitsverlauf zu beschreiben6,9,16,20,34. Die Krümmungsform des Hippocampus und der Amygdala ist geschrumpft, daher sind Veränderungen in der Krümmung von einem Punkt zum anderen auf der Konturoberfläche hinsichtlich der Form ein guter Indikator für die Erkennung von Alzheimer. Eine Schlüssellösung könnte jedoch darin bestehen, diese Änderung durch Extrahieren neuer Funktionen zu charakterisieren.

Um die Robustheit des Systems zu untersuchen, werden ROC-Kurven für jeden untersuchten Klassifikator sowie die Fläche unter den Kurven berechnet. Die Amygdala-Region ist sehr klein und nach der Segmentierung war sie unscharf und enthielt nur wenige Informationen, sodass ihre Leistung sehr schlecht war, da ihre Genauigkeiten für die drei Merkmale zwischen 48 und 52 % schwankten.

Basierend auf Abb. 5a wird beobachtet, dass im Fall einer normalen und abnormalen Klassifizierung für den Hippo-Amygdala-ROI die mittlere Krümmung und die Gaußsche Krümmung ungefähr die gleiche Leistungsfähigkeit aufweisen, mit einer AUC von 0,773 bzw. 0,754. Im Fall des AD vs. MCI-Klassifikators, basierend auf Abb. 5b, weisen der Formoperator, die mittlere Krümmung und die Gaußsche Krümmung ungefähr die gleiche Leistungsstabilität auf, da die AUC ungefähr 0,98, 0,975 bzw. 0,97 beträgt. Abbildung 6a zeigt, dass im Fall der normalen und abnormalen Klassifizierung mithilfe der Merkmalsfusion die mittlere Krümmung, die Gaußsche Krümmung und der Formoperator ungefähr die gleiche Leistungsstabilität aufweisen, mit einer AUC von 0,786, 0,783 bzw. 0,781. Während im Fall des AD- vs. MCI-Klassifikators die Gaußsche Krümmung eine bessere Leistung erbrachte als die anderen Merkmale der Gaußschen Kartendeskriptoren, da die AUC für die Gaußsche Krümmung, den Gaußschen Formoperator bzw. die mittlere Krümmung ungefähr 0,98, 0,83 und 0,76 betrug, wie in Abb. 6b dargestellt.

Gaußsche Kartendeskriptoren zeigen die ROC-Kurve für die Fusion der Hippo-Amygdala-Region für: (a) normal vs. abnormal, (b) AD vs. MCI.

Gaußsche Kartendeskriptoren zeigen die ROC-Kurve für die Hippocampus-Amygdala-Merkmalsfusion für: (a) normal vs. abnormal, (b) AD vs. MCI.

In diesem Manuskript wurden Merkmale extrahiert, die Gauß-basierte Deskriptoren darstellen, die dazu bestimmt waren, normale, AD- und MCI-Probanden zu unterscheiden, basierend auf der Analyse der Form des Hippocampus und der Amygdala. FSL wurde zur Gehirnextraktion, Registrierung und Segmentierung des Hippocampus und der Amygdala verwendet, anschließend erfolgte die Fusion zwischen diesen beiden Regionen. Es wurden drei verschiedene Merkmalssätze extrahiert: der Gaußsche Formoperator, die Gaußsche Krümmung und die mittlere Krümmung. Diese Merkmale werden für jeden Hippocampus und jede Amygdala einzeln berechnet. Darüber hinaus wurden die für jede Region extrahierten Merkmale einmal fusioniert und die aus Hippo-Amygdala basierend auf der Regionsfusion extrahierten Merkmale wurden noch einmal verwendet. Bei der Klassifizierung der AD anhand von MCI gelten die Ergebnisse als sehr vielversprechend und erreichen eine Genauigkeit von 98 % unter Verwendung der Region-Fusion-Gaußschen Formoperatoren, während die Leistung bei der Normal/Anormal-Klassifizierung mit 74,6 % und 73,3 % unter Verwendung des Gaußschen Formoperators noch herausragend ist basiertes System zur Regionsfusion bzw. Merkmalsfusion. Da die erhöhten Hippocampus-Verschlechterungsraten zur Klassifizierung der verschiedenen Stadien des Krankheitsverlaufs und zur Analyse der Struktur der Regionen genutzt werden können, gilt die Gauß-Karte als vielversprechendes Instrument. Die durchgeführten Forschungsarbeiten müssen noch folgende Forschungspunkte umfassen:

Eine Vergrößerung des Datensatzes würde uns zweifellos mehr Raum für die Untersuchung der Robustheit (Einschränkung) des Systems bieten.

Zu den vorgeschlagenen Qualitäten, die in einem hierarchischen oder vielleicht einem Drei-Klassen-System kombiniert werden, muss noch mehr Forschung betrieben werden.

Wir können in der Studie sowohl die form- als auch die texturbasierten Merkmale verwenden, da wir die texturbasierten Merkmale überhaupt nicht analysiert haben.

Zusammenfassend lässt sich sagen, dass das vorgeschlagene System als vielversprechend gilt. Dennoch muss die Kombination der vorgeschlagenen Merkmale in einem hierarchischen oder sogar in einem Drei-Klassen-System weiter untersucht werden. Auch das Volumen dieses ROI kann als viertes nutzbares Merkmal hinzugefügt werden.

Der in dieser Studie verwendete Datensatz wurde aus der Datenbank einer Drittorganisation „Alzheimer's Disease Neuroimaging Initiative“ (ADNI) bezogen. Die Daten sind nach Registrierung und Einhaltung der Datennutzungsvereinbarung in der ADNI-Datenbank (adni.loni.usc.edu) verfügbar. Aktuelle Informationen finden Sie unter www.adni-info.org. Der vorgeschlagene Algorithmus verwendet dieses ADNI-Datenrepository. Die Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage bei den Autoren erhältlich. Alle ADNI-Studien werden gemäß den Richtlinien für gute klinische Praxis, der Deklaration von Helsinki und US 21 CFR Part 50 (Protection of Human Subjects) und Part 56 (Institutional Review Boards) durchgeführt. Vor der Durchführung protokollspezifischer Verfahren wurde von allen Teilnehmern eine schriftliche Einverständniserklärung eingeholt. Das ADNI-Protokoll wurde von den Institutional Review Boards aller teilnehmenden Institutionen genehmigt. Diese Studie wurde von den Institutional Review Boards aller teilnehmenden Institutionen, wie beispielsweise dem Office for the Protection of Research Subjects an der University of Southern California, genehmigt. Eine vollständige Liste der ADNI-Ermittler und -Zugehörigkeiten finden Sie unter http://adni.loni.usc.edu/wp-content/uploads/how_to_apply/ADNI_Acknowledgement_List.pdf. Von allen Teilnehmern an jedem Standort wurde eine schriftliche Einverständniserklärung eingeholt. Die Ermittler innerhalb des ADNI trugen zum Entwurf und zur Implementierung von ADNI bei und/oder stellten Daten zur Verfügung, beteiligten sich jedoch nicht an der Analyse oder Erstellung dieses Berichts. Weitere Einzelheiten finden Sie unter adni.loni.usc.edu.

Murphy, SL, Xu, J., Kochanek, KD, Curtin, SC & Arias, E. Todesfälle: Endgültige Daten für 2015. Natl. Vitalwerte. Rep. 66(6), 1. https://doi.org/10.1136/vr.h753 (2017).

Artikel PubMed Google Scholar

Association, TA 2022 Fakten und Zahlen zur Alzheimer-Krankheit. Alzheimer-Demenz. 18(4), 700–789. https://doi.org/10.1002/alz.12638 (2022).

Artikel Google Scholar

Alzheimer-Krankheit: Ursachen, Symptome und Behandlungen. (https://www.mayoclinic.org/diseases-conditions/alzheimers-disease/symptoms-causes/syc-20350447).

Johnson, KA, Fox, NC, Sperling, RA & Klunk, WE Bildgebung des Gehirns bei der Alzheimer-Krankheit. Kalter Frühling Harb. Perspektive. Med. 2(4), 1–23. https://doi.org/10.1101/CshPerspect.,a006213 (2012).

Artikel Google Scholar

Liu, Z. et al. Diagnose der Alzheimer-Krankheit über ein aufmerksamkeitsbasiertes multiskaliges Faltungs-Neuronales Netzwerk. Wissen. Basierend auf Syst. 238, 1. https://doi.org/10.1016/j.knosys.2021.107942 (2022).

Artikel Google Scholar

Hazarika, RA, Maji, AK, Sur, SN, Paul, BS & Kandar, D. Eine Umfrage zu Klassifizierungsalgorithmen von Gehirnbildern bei der Alzheimer-Krankheit basierend auf Techniken zur Merkmalsextraktion. IEEE Access 9, 58503–58536. https://doi.org/10.1109/ACCESS.2021.3072559 (2021).

Artikel Google Scholar

Amoroso, N. et al. Diagnose der Alzheimer-Krankheit basierend auf dem Hippocampal Unified Multi-Atlas Network (HUMAN)-Algorithmus. Biomed. Ing. Online 17(1), 1–16. https://doi.org/10.1186/s12938-018-0439-y (2018).

Artikel Google Scholar

Nie, X. et al. Subregionale Strukturveränderungen im Hippocampus und im Nucleus accumbens korrelieren mit der klinischen Beeinträchtigung bei Patienten mit Alzheimer-Krankheit. Klinisches Spektrum: Parallele Kombination von volumen- und scheitelpunktbasiertem Ansatz. Vorderseite. Neurol. 8, 1. https://doi.org/10.3389/fneur.2017.00399 (2017).

Artikel Google Scholar

Boutet, C. et al. Nachweis von Volumenverlust in Hippocampusschichten bei Alzheimer mittels 7-T-MRT: Eine Machbarkeitsstudie. NeuroImage-Klinik. 5, 341–348. https://doi.org/10.1016/j.nicl.2014.07.011 (2014).

Artikel PubMed Central Google Scholar

Damulina, A. et al. Hyperintensitäten der weißen Substanz bei der Alzheimer-Krankheit: Eine Studie zur Kartierung der Läsionswahrscheinlichkeit. J. Alzheimer Dis. 68, 789–796. https://doi.org/10.3233/JAD-180982 (2019).

Artikel Google Scholar

Fan, Y., Shen, D., Gur, RC, Gur, RE & Davatzikos, C. COMPARE: Klassifizierung morphologischer Muster mithilfe adaptiver regionaler Elemente. Komp. Ein J. Comp. Educ. 26(1), 93–105 (2007).

Google Scholar

Gerardin, E. et al. Die mehrdimensionale Klassifizierung der Formmerkmale des Hippocampus unterscheidet die Alzheimer-Krankheit und leichte kognitive Beeinträchtigungen vom normalen Altern. Neuroimage 47(4), 1476–1486. https://doi.org/10.1016/j.neuroimage.2009.05.036 (2009).

Artikel PubMed Google Scholar

Chupin, M. et al. Vollautomatische Hippocampus-Segmentierung und -Klassifizierung bei Alzheimer-Krankheit und leichter kognitiver Beeinträchtigung, angewendet auf Daten von ADNI. Hippocampus 19(6), 579–587. https://doi.org/10.1002/hipo.20626 (2009).

Artikel PubMed PubMed Central Google Scholar

Chupin, M. et al. Automatische Segmentierung des Hippocampus und der Amygdala durch hybride Einschränkungen: Methode und Validierung. Neuroimage 46(3), 749–761. https://doi.org/10.1016/j.neuroimage.2009.02.013 (2009).

Artikel MathSciNet CAS PubMed Google Scholar

Ben Ahmed, O. et al. Diagnose der Alzheimer-Krankheit auf strukturellen MR-Bildern unter Verwendung von Deskriptoren zirkulärer harmonischer Funktionen im Hippocampus und im posterioren cingulären Kortex. Berechnen. Med. Bildgebungsdiagramm 44, 13–25. https://doi.org/10.1016/j.compmedimag.2015.04.007 (2015).

Artikel PubMed Google Scholar

Rathore, S., Habes, M., Iftikhar, MA, Shacklett, A. & Davatzikos, C. Ein Überblick über neuroimagingbasierte Klassifizierungsstudien und damit verbundene Merkmalsextraktionsmethoden für die Alzheimer-Krankheit und ihre Prodromalstadien. Neuroimage 155, 530–548. https://doi.org/10.1016/j.neuroimage.2017.03.057 (2017).

Artikel PubMed Google Scholar

Lotterie, J. Frühdiagnose der Alzheimer-Krankheit anhand der kortikalen Dicke: Einfluss der kognitiven Reserve. Gehirn https://doi.org/10.1093/brain/awp105 (2009).

Artikel PubMed PubMed Central Google Scholar

Rathore, S. & Habes, M. Ein Überblick über neuroimaging-basierte Klassifizierungsstudien und damit verbundene Merkmalsextraktionsmethoden für die Alzheimer-Krankheit und ihre Prodromalstadien. Neuroimage https://doi.org/10.1016/j.neuroimage.2017.03.057 (2017).

Artikel PubMed Google Scholar

Magnin, B. et al. Unterstützen Sie die vektorbasierte maschinenbasierte Klassifizierung der Alzheimer-Krankheit anhand der anatomischen MRT des gesamten Gehirns. Neuroradiologie 51(2), 73–83. https://doi.org/10.1007/s00234-008-0463-x (2009).

Artikel PubMed Google Scholar

Mousa, D., Zayed, N. & Yassine, IA Identifizierung der Stadien der Alzheimer-Krankheit basierend auf dem Korrelationsübertragungsfunktionssystem unter Verwendung der funktionellen Magnetresonanztomographie im Ruhezustand. PLoS ONE 17, 1–17. https://doi.org/10.1371/journal.pone.0264710 (2022).

Artikel CAS Google Scholar

Hartley, T., Bird, CM, Chan, D., Cipolotti, L., Husain, M. & Burgess, N. Europe PMC Funders Group Der Hippocampus ist für das topografische Kurzzeitgedächtnis beim Menschen erforderlich. 17(1), 34–48. https://doi.org/10.1002/hipo.20240 (2009).

Bird, CM & Burgess, N. Der Hippocampus und das Gedächtnis: Erkenntnisse aus der räumlichen Verarbeitung. Nat. Rev. Neurosci. 9(3), 182–194. https://doi.org/10.1038/nrn2335 (2008).

Artikel CAS PubMed Google Scholar

Aranzi, JC & German, T. Hippocampus kognitive Karte. Hippocampus 1, 1587 (2022).

Google Scholar

Baxter, MG & Croxson, PL Die Rolle der Amygdala bei der Verarbeitung emotionaler Informationen. Proz. Natl. Acad. Wissenschaft. USA 109(52), 21180–21181. https://doi.org/10.1073/pnas.1219167110 (2012).

Artikel ADS PubMed PubMed Central Google Scholar

Hajian-Tilaki, K. Analyse der Receiver Operating Characteristic (ROC)-Kurve für die Auswertung medizinischer Diagnosetests. Casp. J. Intern. Med. 4(2), 627–635. https://doi.org/10.1017/CBO9781107415324.004 (2013).

Artikel Google Scholar

Jenkinson, M., Beckmann, CF, Behrens, TEJ, Woolrich, MW & Smith, SM Fsl. Neuroimage 62(2), 782–790. https://doi.org/10.1016/j.neuroimage.2011.09.015 (2012).

Artikel PubMed Google Scholar

Pan, J., Luo, H., Lu, Z. & Chang, J. Ein neuer 3D-Formdeskriptor basierend auf Rotation. Sechster Int. Konf. Intel. Syst. Des. Appl. 2, 300–304. https://doi.org/10.1109/ISDA.2006.253850 (2006).

Artikel Google Scholar

Gray, S., Abbena, E. und Salamon. Moderne Differentialgeometrie von Kurven und Flächen mit Mathematica, (3. Aufl.). Chapman und Hall/CRC., 2006. [Online]. Verfügbar: https://doi.org/10.1201/9781315276038.

Elsa Abbena, AG, & Salamon, S. Form und Krümmung. In Modern Differential Geometry of Curves and Surfaces mit Mathematica, Dritte Auflage, S. 385–419.

Skibbe, H., Reisert, M. & Burkhardt, H. Gaußsche Nachbarschaftsdeskriptoren für die Gehirnsegmentierung. MVA (2011).

Makkinejad, N. et al. Assoziationen von Amygdala-Volumen und -Form mit der Pathologie des transaktiven Reaktions-DNA-bindenden Proteins 43 (TDP-43) in einer Gemeinschaftskohorte älterer Erwachsener. Neurobiol. Altern. 77, 104–111 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Anand, KS & Dhikav, V. Hippocampus in Gesundheit und Krankheit: Ein Überblick. Annu. Indische Acad. Neurol. 15(4), 239–246 (2012).

Artikel Google Scholar

Fixemer, S., et al. Begleitende AD- und DLB-Pathologien prägen die Reaktionen der Subfeld-Mikroglia im Hippocampus. bioRxiv, S. 2022.01.06.475218 (2022).

Lindberg, O. et al. Analyse der Hippocampusform bei Alzheimer-Krankheit und Subtypen der frontotemporalen Lappendegeneration. J. Alzheimers Dis. 30(2), 355–365 (2012).

Artikel PubMed PubMed Central Google Scholar

Apostolova, LG et al. 3D-Vergleich der niedrigen, mittleren und fortgeschrittenen Hippocampusatrophie bei MCI. Summen. Brain Mapp. 31, 786–797 (2010).

Artikel PubMed PubMed Central Google Scholar

Abdelaziz, M., Wang, T. & Elazab, A. Diagnoserahmen für die Alzheimer-Krankheit anhand unvollständiger multimodaler Daten unter Verwendung von Faltungs-Neuronalen Netzen. J. Biomed. Informieren. 121, 103863. https://doi.org/10.1016/j.jbi.2021.103863 (2021).

Artikel PubMed Google Scholar

Li, C. & Wissenschaft. Rep. 9, 1–11. https://doi.org/10.1038/s41598-019-53471-0 (2019).

Artikel ADS CAS Google Scholar

Zhen, X. & Shao, L. Aktionserkennung anhand räumlich-zeitlicher lokaler Merkmale: Eine umfassende Studie. Bild Vis. Berechnen. 50, 1–13. https://doi.org/10.1016/j.imavis.2016.02.006 (2016).

Artikel Google Scholar

Gu, Q. Verallgemeinerter Fisher-Score für die Funktionsauswahl – eine kurze Übersicht über den Fisher-Score.

Chang, C. & Lin, C. LIBSVM: Eine Bibliothek für Support-Vektor-Maschinen. ACM Trans. Intel. Syst. Technol. 2, 1–39. https://doi.org/10.1145/1961189.1961199 (2013).

Artikel Google Scholar

Sapolsky, RM Depression, Antidepressiva und der schrumpfende Hippocampus. Proz. Natl. Acad. Wissenschaft. 98(22), 12320–12322 (2001).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Manjón, JV & Coupé, P. volBrain: Ein Online-MRT-Gehirnvolumetriesystem. Warteschlange. Neuroinf. 10, 1–14 (2016).

Artikel Google Scholar

Cuingnet, R. et al. Automatische Klassifizierung von Patienten mit Alzheimer-Krankheit anhand der strukturellen MRT: Ein Vergleich von zehn Methoden mithilfe der ADNI-Datenbank. Neuroimage 56(2), 766–781 (2011).

Artikel PubMed Google Scholar

Henneman, WJP et al. Atrophieraten des Hippocampus bei der Alzheimer-Krankheit: Mehrwert gegenüber Messungen des gesamten Gehirnvolumens. Neurology 72(11), 999–1007 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Mueller, SG et al. Atrophiemuster des Hippocampus bei leichter kognitiver Beeinträchtigung und Alzheimer-Krankheit. Summen. Brain Mapp. 31(9), 1339–1347 (2010).

Artikel PubMed PubMed Central Google Scholar

Referenzen herunterladen

Die Autoren möchten den Forschern des ADNI (http://adni.loni.usc.edu/) für die öffentliche Weitergabe ihrer wertvollen Neuroimaging-Daten danken. Die zur Erstellung dieses Artikels verwendeten Daten stammen aus der Datenbank der Alzheimer's Disease Neuroimaging Initiative (ADNI) (adni.loni.usc.edu). Daher haben die Forscher innerhalb des ADNI zum Entwurf und zur Implementierung von ADNI beigetragen und/oder Daten bereitgestellt, waren jedoch nicht an der Analyse oder dem Verfassen dieses Manuskripts beteiligt. Eine vollständige Liste der ADNI 350-Ermittler finden Sie unter: http://adni.loni.usc.edu/wp-content/uploads/how_to_apply/ADNI_Acknowledgment_List.pdf.

Open-Access-Finanzierung durch die Science, Technology & Innovation Funding Authority (STDF) in Zusammenarbeit mit der Egyptian Knowledge Bank (EKB).

Systems and Biomedical Engineering, Universität Kairo, Kairo, Ägypten

Shereen E. Morsy & Inas A. Yassine

Abteilung für Computer und Systeme, Electronics Research Institute, Kairo, Ägypten

Nourhan Zayed

Abteilung für Maschinenbau, The British University in Egypt, Kairo, Ägypten

Nourhan Zayed

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung: NZ, IAY, SEM Datenkuration: SEM Formale Analyse: SEM, NZ, IAY Untersuchung: NZ, IAY Methodik: SEM, NZ, IAY Projektverwaltung: NZ, IAY Software: SEM Überwachung: NZ, IAY Validierung: NZ, IAY Visualisierung: SEM, NZ, IAY Schreiben – Originalentwurf: NZ Vorbereitendes Schreiben – Überprüfung und Bearbeitung: IAY, NZ

Korrespondenz mit Nourhan Zayed.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Morsy, SE, Zayed, N. & Yassine, IA Hierarchische Klassifizierungsmethode basierend auf der Fusion von Gaußschen Kartendeskriptoren für die Alzheimer-Diagnose mittels T1-gewichteter Magnetresonanztomographie. Sci Rep 13, 13734 (2023). https://doi.org/10.1038/s41598-023-40635-2

Zitat herunterladen

Eingegangen: 16. Januar 2023

Angenommen: 14. August 2023

Veröffentlicht: 23. August 2023

DOI: https://doi.org/10.1038/s41598-023-40635-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.