Особенности поверхностного белого вещества как биомаркеры для выявления болезни Альцгеймера и легких когнитивных нарушений

Контактное лицо: emily.li@wecistanche.com

Бахаре Бигэм и др.

Абстрактный:

Фон:

С развитием инструментов медицинской визуализации и обработки точная диагностика заболеваний стала возможной благодаря интеллектуальным системам. Благодаря замечательным возможностям машин опорных векторов (SVM) для диагностики заболеваний были проведены обширные исследования с использованием алгоритма SVM для классификации заболеваний.болезнь Альцгеймераболезнь(AD) и легкие когнитивные нарушения (MCI).

Цели:

В этом исследовании мы применили автоматизированный метод для классификации пациентов сболезнь АльцгеймераБолезньи MCI и здоровые контрольные (HC) субъекты на основе особенностей диффузионно-тензорной визуализации (DTI) в поверхностном белом веществе (SWM).

Участники:

Для этого данные DTI были загружены изболезнь АльцгеймераБолезньИнициатива нейровизуализации (ADNI). В этом методе использовались данные DTI от 72 субъектов: 24 субъекта с HC, 24 субъекта с MCI и 24 субъекта с AD.

Измерения: обработка DTI выполнялась с использованием программного обеспечения DSI Studio, а все анализы машинного обучения выполнялись с использованием программного обеспечения MATLAB.

Полученные результаты:

Линейное ядро ​​SVM было лучшим классификатором с точностью 95,8% междуболезнь АльцгеймераБолезньи группы HC, за которыми следует квадратичное ядро ​​SVM с точностью 83,3 процента между группами MCI и HC и гауссово ядро ​​SVM с точностью 83,3 процента между группами AD и MCI. Выводы: Учитывая важность диагностики БА и ЛКН, а также роль поверхностного белого вещества в диагностике нейродегенеративных заболеваний, в этом исследовании обсуждаются особенности различных методов DTI SWM, которые могут быть полезным инструментом для помощи в диагностике БА и ЛКН.

Ключевые слова: метод опорных векторов, построение тензора диффузии,болезнь Альцгеймераболезнь, легкие когнитивные нарушения, поверхностное белое вещество

Нажмите здесь, чтобы получить больше информации о Cistanche для болезни Альцгеймера

1. Введение

В связи с увеличением стареющего населения точное и эффективное выявлениеБолезнь Альцгеймера(AD) стала важной проблемой в обществе [1]. Легкие когнитивные нарушения (MCI) — это состояние между нормальным снижением когнитивных функций, связанным со старением, и более тяжелым снижением деменции. Поскольку специфического лечения ЛКН не существует и существует высокий риск ее прогрессирования в деменцию, очень важны диагностика и профилактика заболевания [2].

Нейродегенеративное заболевание часто поражает определенные области мозга. Поверхностное белое вещество (SWM) является одной из областей, которая, согласно модели ретрогенеза, оказалась высокоуязвимой для многих заболеваний [3, 4]. В этом исследовании мы разработали модель машины опорных векторов (SVM), которая классифицирует предметы HC, MCI и AD на основе особенностей SWM.

Благодаря развитию технологий автоматических систем в различных областях медицины системы машинного обучения помогают врачам автоматически диагностировать заболевания [5]. SVM, как метод контролируемого машинного обучения, является очень мощным инструментом в аналитике больших данных [1].

Широко распространено мнение, что методы визуализации головного мозга обладают потенциалом для диагностики заболеваний головного мозга. Используя эти методы, можно выявить проблемы в человеческом мозге без необходимости инвазивной нейрохирургии. В настоящее время в исследовательских центрах и больницах по всему миру используется несколько общепринятых безопасных методов визуализации [6]. Диффузионно-тензорная визуализация (DTI) — это новый метод нейровизуализации на основе МРТ, который позволяет оценить целостность путей нейронных волокон [7].

Реконструкцию данных DTI можно разделить на две категории: безмодельные и основанные на моделях методы. Методы на основе моделей, такие как реконструкция DTI, предполагают, что форма диффузии воды соответствует трехмерному гауссову образцу, но нет никаких предположений о распределении в немодельном методе, таком как метод диффеоморфной реконструкции в q-пространстве (QSDR). Метод QSDR реконструирует данные в пространстве Монреальского неврологического института (MNI) [8]. Программное обеспечение DSI Studio (www.dsi-s tudio.labsolver.org) поддерживает методы реконструкции как на основе моделей, так и без моделей.

С помощью метода реконструкции DTI получают различные измерения, включая среднюю диффузию (MD), относительную анизотропию (FA), осевую диффузию (AxD) и радиальную диффузию (RD). Измерения на основе плотности, полученные с помощью метода реконструкции QSDR, включают количественную анизотропию (QA), изотропное значение (ISO), визуализацию ограниченной диффузии (RDI) и так далее.

QA - это метрика для количественной оценки популяции спинов в определенном направлении и разрешения популяции волокон (в частности, пересекающихся волокон). Нормализованная шкала QA (QA) рассчитывается путем нормализации максимального значения QA до единицы, чтобы QA можно было более сравнимым по субъектам [9].

RDI — это метод количественного определения плотности ограниченной диффузии в зависимости от диапазона диффузионного смещения (например, 10 микрон) [10].

Возможность оценить основное направление диффузии с помощью тензора также дала технику трактографии, которая применялась для расчета матрицы связности и сетевых мер [11].

Мозг представлен как сложная сеть, состоящая из нейронов и областей мозга, которые структурно и функционально связаны. Сеть мозга (или граф) состоит из узлов (представляющих нейроны или области мозга), соединенных линиями (связность между областями мозга) [12].

Сетевая наука может помочь в уменьшении сложности аналитической архитектуры мозга и понимании закономерностей подключения мозга, а также может предоставить информацию о клинических расстройствах [13].

Измерения сети включают ассортативность, эффективность, PageRank, промежуточность, малую сеть и т. д.; они используются для лучшего понимания структуры и функции человеческого мозга как сети [14].

Только в нескольких исследованиях использовались различные подходы к анализу, такие как область интереса (ROI), трактография, а также связность и сеть как при реконструкции DTI, так и при реконструкции QSDR. Мы применили метод SVM, основанный на признаках, извлеченных из поверхностного белого вещества с помощью вышеупомянутых методов анализа, для автоматического бинарного обнаружения AD и MCI, AD и HC, MCI и HC.

2. Материалы и методы

Данные, представленные в этой статье, извлечены из M.Sc. диссертация и была рассмотрена и одобрена Этическим комитетом Медицинского университета Мешхеда (этический номер: IR.MUMS.MEDICAL.REC.1397.320).

Шаги следующие:

2.1. Получение данных

Данные 72 участников трех групп были загружены изболезнь АльцгеймераБолезньБаза данных Neuroimaging Initiative (ADNI). Субъекты этого исследования, включая субъектов из групп AD (n=24), MCI (n=24) и контрольной группы (n=24), были набраны из проекта ADNI2.

DTI всего мозга субъектов был создан из проекта ADNI2 со следующими параметрами сканирования: Производитель=GE MEDICAL SYSTEMS; Матрица X=256.0 пикселей; Матрица Y=256.0 пикселей; Матрица Z=2714.0; Размер пикселя X=1,4 мм; Размер пикселя Y=1,4 мм; PulseSequence ¼ EP/SE; время повторения (TR) 13000 мс, время отражения (TE) 68,3 мс, угол поворота 90, напряженность поля 3,0, толщина среза 2,7 мм, 41 неколлинеарное направление с a b -значение 1000 с/мм2 и 5 изображений без диффузионного взвешивания. В дополнение к изображениям также загружались клинические и нейропсихологические данные испытуемых.

2.2. обработка DTI

Для каждых необработанных данных были выполнены следующие основные шаги для извлечения особенностей методов DTI в SWM (показаны на рисунке 1). Все эти процессы были выполнены с использованием программного обеспечения DSI Studio (разработанного Fang-Cheng Yeh из Advanced Biomedical MRI Lab, National Taiwan University Hospital, Тайвань, при поддержке Fiber Tractography Lab.

2.2.1. Этап предварительной обработки и реконструкции

Перед измерением параметров ДТИ проводилась коррекция движения головы, вихретоковая и черепная зачистка. Для удаления черепа и фильтрации области фона мы использовали маски, предоставленные DSI Studio. Затем на следующем этапе мы использовали два разных метода реконструкции, включая базовую модель (DTI) и опцию свободной модели (QSDR) в DSI Studio; с двумя разными подходами к обработке диффузионных изображений.

2.2.2. Подход к рентабельности инвестиций

После этапа реконструкции различные параметры DTI были получены из области интереса, трактографии и связности, а также сетевых методов. ROI — это идентичность для конкретной цели, область SWM в текущем исследовании. Маска (в пространстве MNI) этой области была получена в аналогичном исследовании Араша Назери и др. [15, 16].

Согласно разделению областей мозга в Terminologia Anatomica 1998 [17] и Terminologia Neuroanaatomica 2017 (FIPAT. Terminologia Neuroanaatomica. FIPAT.library.dal.ca. Federative International Program for Anatomical Terminology, февраль 2017 г.), мы разделили область SWM на 12 анатомических областей, включая лобную, теменную, височную, затылочную, лимбическую и островковую доли (с каждой стороны) по Атласу Талайраха [18] (рис. 2). Эти области были подтверждены двумя опытными радиологами. Наконец, мы добавили атлас SWM субрегионов для более удобного и удобного доступа к атласам программного обеспечения DSI-Studio. Всего было рассчитано 12 регионов SWM и средние значения DTI и QSDR для каждого региона.

2.2.3. Трактографический подход

Чтобы извлечь параметры трактографии, индексы FA и QA использовались для реконструкции DTI и QSDR для определения порога отслеживания волокна соответственно. Первоначально были размещены регионы SWM (как ROI) и проводилась трактография отдельно от регионов. Трактография каждой области SWM была выполнена с использованием 100000 начальных значений, сгенерированных случайным образом в положениях подвокселей, и начальные значения были размещены во всех областях SWM с размером шага 0 (0,5 вокселя). до 1,5 воксельного расстояния) и значение сглаживания 1. Отслеживание от основного волокна исходной точки было установлено на обтекаемую линию (Эйлера), а интерполяция направления была установлена ​​на трилинейную. Диапазон длины волокна был установлен между 30 и 300 мм.

2.2.4. Связь и сетевой анализ

После выполнения трактографии структурная связь между областями SWM мозга и показателями сети мозга была получена методом реконструкции QSDR. Для этого была использована опция «Матрица подключения» для извлечения параметров подключения и сети. Таким образом, после выполнения трактографии всего мозга измерения взаимосвязей между областями SWM оценивались на основе подсчета связей. Кроме того, измеренная информация из сети (такая как эффективность, ассортативность, промежуточность и т. д.) была извлечена из разных областей SWM.

2.3. Методы классификации

Мы включили параметры DTI как реконструкции, так и измеренных параметров из ROI, трактографии, связности и сетевых методов (т. е. FA, MD, RD, AxD и QA, QA, iso, RDI, сетевых значений и количества соединений). между областями мозга). Для каждой группы были преобразованы файлы CSV для ввода программного обеспечения MATLAB для классификации. Признаки, извлеченные из каждого, состояли из 504 признаков метода ROI, 576 признаков метода трактографии и 702 признаков метода связности и сети. После сортировки признаков по 1782 признакам оценивался вектор признаков для каждого субъекта. Чтобы подготовить матрицы признаков в качестве входных данных для модели классификации SVM, были созданы межгрупповые матрицы (HC-AD, HC-MCI и MCI-AD) с конкретными метками для каждой группы.

Все анализы машинного обучения проводились с использованием программного обеспечения MATLAB (R2014a). Шаги можно разделить на следующую блок-схему (как показано на рисунке 3).

После обработки данных DTI, извлечения признаков и создания вектора признаков был выполнен выбор признаков.

2.3.1. Выбор функции

В этом исследовании нейровизуализации количество признаков на одного субъекта было очень большим. Таким образом, чтобы определить наиболее важные признаки (или параметры) для классификации, мы использовали метод, основанный на быстром корреляционном фильтре (FCBF), который представляет собой метод выбора признаков для данных высокой размерности [19].

После обработки DTI выбор признаков выполняется с использованием методов FCBF и используется в SVM для бинарной классификации.

2.3.2. Обучение и классификация

После выбора функций мы выполнили внутреннюю 5-кратную перекрестную проверку обучающих данных и применили алгоритм SVM, используя бинарную классификацию между тремя группами. Перекрестная проверка — это метод проверки модели, используемый для обеспечения обобщения производительности; это также метод повторной выборки, используемый для оценки модели, если у нас есть ограниченные данные [20]. Всего мы оценили линейное, квадратичное, кубическое и гауссовское ядра (мелкое, среднее, грубое). Из-за лучших результатов в линейном, квадратичном и гауссовском ядрах, а также для уменьшения сложности исследования мы представили результаты этих трех ядер. Наконец, мы показываем кривую рабочих характеристик приемника (ROC) и площадь под кривой (AUC) для лучшего ядра в каждой классификации (как показано на рисунке 4).

2.3.3. Оценка

После обучения алгоритма SVM результаты, включая точность, специфичность и чувствительность, которые определяются следующим образом, используются для оценки эффективности классификации.

Как правило, в этих уравнениях истинно положительный (TP) относится к количеству пациентов, спрогнозированному правильно, ложноположительный (FP) относится к количеству здоровых контролей, спрогнозированных неправильно как пациентов, истинно отрицательный (TN) относится к количеству здоровых контролей, спрогнозированному правильно. , а ложноотрицательный (FN) относится к числу пациентов, ошибочно спрогнозированных как здоровые [21].

3. Результат

3.1. Демографические и клинические характеристики

Демографические и клинические показатели участников показаны в Таблице 1. Не было никаких существенных различий (P > 0,05) между тремя группами по возрасту и полу (см. Таблицу 1). Минимальное обследование психического состояния (MMSE), общий рейтинг клинической деменции (CDR) и опросник функциональной активности (FAQ) значительно различались между тремя группами. Статистический анализ основной информации был выполнен с использованием SPSS 24.

3.2. Избирательные свойства поверхностного белого вещества

Метод отбора признаков FCBF показал 8 признаков для классификации ЛКН и ГХ, 25 признаков для классификации БА и ГХ и 17 признаков для классификации БА и ЛКН (табл. 2). На рис. 5 показано количество селективных признаков различных методов DTI.

3.3. Производительность классификации

Средняя точность, чувствительность и специфичность были представлены как результаты этого исследования. Линейное ядро ​​SVM было лучшим классификатором с точностью 95,8 процента, чувствительностью 95,8 процента и специфичностью 95,8 процента между группами AD и HC, за которым следует квадратичное ядро ​​SVM с точностью 83,3 процента. чувствительность 94,4 процента и специфичность 76,6 процента между группами MCI и HC и гауссовым ядром SVM с точностью 83,3 процента, чувствительностью 80,7 процента и специфичностью 86,3 процента между группы AD и MCI), как показано в таблице 1). На рисунке 6 показано сравнение между тремя ядрами и найдено лучшее ядро ​​в любой парной классификации (см. Таблицу 3).

4. Дискуссия

Существуют различные методы анализа данных DTI, и у каждого метода есть свои сильные и слабые стороны. В этом исследовании мы использовали три метода, а именно ROI, трактографию, связность и сетевой анализ, чтобы получить характеристики поверхностного белого вещества [22].

Поверхностное белое вещество является одной из областей, которая, согласно модели ретрогенеза, оказалась очень уязвимой для многих заболеваний [23]. По этой причине данная область была исследована в данном исследовании.

Было проведено несколько исследований, чтобы отличить людей с AD и MCI от здоровых людей, и многие исследователи заинтересованы в поиске методов разделения этих трех групп. В текущем исследовании мы применили автоматизированный метод для классификации субъектов с AD и MCI, а также субъектов HC на основе признаков DTI в SWM.

Важно отметить, что архитектура волокон SWM (содержащая несколько популяций волокон, называемых «пересекающимися волокнами») демонстрирует более сложный порядок, чем глубокое белое вещество (рис. 7). По этой причине представляется необходимым использовать метод реконструкции QSDR, поскольку методы без моделей более точны в вокселах, содержащих несколько популяций волокон, по сравнению с методами на основе моделей [24]. Для этой цели мы использовали метод QSDR вместе с методом реконструкции DTI.

В связи с развитием интеллектуальных систем в различных науках была разработана система машинного обучения для парной классификации между тремя группами. Насколько нам известно, это первое исследование, в котором используется машина опорных векторов для определения особенностей методов DTI в SWM.

Наши результаты контрольной классификации по сравнению с классификацией MCI показали, что квадратичное ядро ​​было лучшим ядром для этой классификации с точностью 83,3 процента. Различие между пациентами с БА и контрольной группой пожилых людей показало точность 95,8% с помощью линейного ядра. Параметры связности показали большую важность в выбранных функциях. Пример таких соединений показан на рисунке 8.

Как правило, исследование особенностей сети мозга может предоставить исследователям информацию о большинстве нейродегенеративных заболеваний, включая AD и MCI. В последнее время изучение сетевых свойств при болезни Альцгеймера привлекло внимание ряда исследователей. Среди этих исследователей Дайану и соавт. [25], Сео и др. [26], Джалили и соавт. [27], Шэн и соавт. [28] и Sulaiman et al. [29]. Они считают, что анализ связности мозговой сети дает существенное понимание того, как нервные пути разрушаются при болезни Альцгеймера. Например, как сообщается в исследовании Yongxia Zhou et al., особенность сети маленького мира в коре головного мозга позволяла различать пациентов с болезнью Альцгеймера и пациентов с MCI. В этом исследовании сеть малого мира, как одна из селективных особенностей поверхностного белого вещества, продемонстрировала способность дифференцировать AD от MCI, и ее можно было использовать для объяснения ухудшения памяти и когнитивных функций, согласующихся с

выводы предыдущих исследований о том, что потеря характеристик сети малого мира изменяется у пациентов с БА [30, 31, 32].

Кроме того, измерение PageRank может выделить области мозга с большим количеством внешних ссылок [33]. В нашем исследовании PageRank в лобной и теменной областях был одним из основных выявленных признаков для диагностики БА, и он мог играть более важную роль в мозге.

Одним из наиболее важных результатов исследования является длина и количество трактов левой теменной доли при отделении AD от MCI. В исследовании Desikan et al. упоминается важность повреждения теменной доли как предиктора прогрессирования от MCI до AD [34]. Результаты трактографии этого исследования могут подтвердить вывод предыдущего исследования в регионе ЮВМ. Поскольку у MCI более высокий риск развития AD, чем у контрольной группы, исследование теменной доли может быть полезным индикатором.

Кроме того, в дополнение к результатам трактографии при сравнении AD и MCI, нарушение связи между височной и теменной долями, а также лимбической и затылочной долями наблюдалось при AD. Иными словами, связи волокон ближнего действия в височно-теменной кости могут быть существенной находкой при разделении этих двух заболеваний. Височно-теменная часть играет жизненно важную роль в высокоуровневых нейронных функциях человека [35], которые могут быть повреждены при болезни Альцгеймера. Дезикан и др. исследовали атрофию этой области при БА [34]. Результаты этого исследования с использованием новой техники и особенностей метода DTI могут быть эффективными при отделении ЛКН от БА. Исследование функциональной магнитно-резонансной томографии (фМРТ) показало, что островок является ключевой областью сетей головного мозга человека и наиболее уязвимой областью БА [36]; настоящее исследование может подтвердить эти результаты в поверхностном белом веществе, потому что особенности островка, такие как связность, iso, Tzz и Txy, входят в число избранных и основных признаков пациентов с болезнью Альцгеймера.

В большинстве исследований сообщается, что значения DTI меняются между группами AD и MCI. Точность классификации в этом исследовании между AD и MCI составила 83,3 процента по ядру Гаусса, которое было лучшим ядром для этой классификации.

В качестве предложения для будущих исследований будет интересно включить в мультимодальное исследование другие методы и биомаркеры, такие как фМРТ и электроэнцефалограмма (ЭЭГ), позитронно-эмиссионная томография (ПЭТ) и данные о белках спинномозговой жидкости с данными DTI, которые также могут быть одним из наши будущие цели.

5. Вывод

В заключение мы применили метод автоматического различения пациентов с AD и MCI и здоровых людей. В этом исследовании мы продемонстрировали, что AD или MCI можно отличить от HC, используя особенности области SWM через DTI. Таким образом, функции, полученные из ROI, трактографии, а также методов подключения и сети, могут помочь в диагностике AD и MCI. Наконец, это исследование дает основу для оценки других методов автоматизированной классификации в этих регионах.

5.1. Ограничения

Размер выборки в машинном обучении является решающим фактором, влияющим на производительность модели. Ограничением исследования является небольшой размер выборки включенных субъектов.

использованная литература
[1] М. Лилия, С. Мари, Х.-Б. Валери, Д. Бруно, Г. Патрик, К. Серж, DTI и структурная классификация МРТ при болезни Альцгеймера, Adv. Мол. Изображение 2012 (2012).
[2] Эшкоор С.А., Хамид Т.А., Мун С.Ю., Нг С.К., Легкие когнитивные нарушения и их лечение у пожилых людей, Клин. Интерв. 10 лет (2015) 687–693.
[3] OR Phillips, SH Joshi, F. Piras, MD Orfei, M. Iorio, KL Narr и др., Поверхностное белое вещество при болезни Альцгеймера, Hum. Карта мозга. 37 (4) (2016) 1321–1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Измененное поверхностное белое вещество на трактографии МРТ при болезни Альцгеймера, Dementia Geriatr. Когнит. Беспорядок. Экстра 6 (2) (2016) 233–241.
[5] Дж. Го, Б. Ли, Применение медицинских технологий искусственного интеллекта в сельских районах развивающихся стран, Health Equity 2 (1) (2018) 174–181.
[6] Дэвис К.Д., Флор Х., Грили Х.Т., Яннетти Г.Д., Макки С., Плонер М. и др., Визуализирующие исследования мозга при хронической боли: медицинские, правовые и этические вопросы и рекомендации, Nat. Преподобный Нейрол. 13 (2017) 624.
[7] М. Дайба, М. Эверс, М. Вегжин, И. Килиманн, С. Плант, А. Освальд и др., Комбинирование DTI и МРТ для автоматического обнаружения болезни Альцгеймера с использованием большого европейского многоцентрового набора данных, в Международный семинар по мультимодальному анализу изображений мозга, Springer, 2012 г., стр. 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long и др., Различия между обобщенной визуализацией Q-выборки и визуализацией тензора диффузии при визуализации пересекающихся нервных волокон в мозг, сург. Радиол. Анат. 41 (9) (2019) 1019–1028.
[9] С.Ю. Лим, Ю.-С. Тян, Ю.-П. Чао, Ф.-Ю. Ниен, Ж.-К. Венг, Новый взгляд на развивающийся мозг кролика с использованием диффузионно-тензорной трактографии и МРТ с обобщенной выборкой, PLoS One 10 (3) (2015).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, Картирование инфильтрации иммунных клеток с использованием МРТ с ограниченной диффузией, Magn. Резон. Мед. 77 (2) (2017) 603–612.
[11] Г. Прасад, Т.М. Нир, А.В. Тога, П.М. Томпсон, Трактографическая плотность и сетевые показатели при болезни Альцгеймера, в: 10-й Международный симпозиум IEEE по биомедицинской визуализации, 2013 г., IEEE, 2013 г., стр. 692–695.
[12] А. Мейч, Ф. Вендлинг, М. Хассан, Сходство мозговой сети: методы и приложения, препринт arXiv 2019 arXiv: 190810592.
[13] О. Спорнс, Методы теории графов: приложения в сетях мозга, Dialogues Clin. Неврологи. 20 (2) (2018) 111.
[14] О. Спорнс, Дж. Д. Цви, Маленький мир коры головного мозга, Нейроинформатика 2 (2) (2004) 145–162. [15] А. Назери, М.М. Чакраварти, Т.К. Раджи, Д. Фельски, Д.Дж. Ротенберг, М. Мейсон и др.,
Поверхностное белое вещество как новый субстрат возрастного снижения когнитивных функций, Neurobiol. Возраст 36 (6) (2015) 2094–2106.
[16] A. Nazeri, MM Chakravarty, D. Felsky, NJ Lobaugh, TK Rajji, BH Mulsant, et al., Изменения поверхностного белого вещества при шизофрении и связь с когнитивными функциями, Нейропсихофармакология: Off. Опубл. Являюсь. Колледж Нейропсихофармако. 38 (10) (2013) 1954.
[17] GC Ribas, Мозговые борозды и извилины, Neurosurg. Фокус 28 (2) (2010) Е2. [18] Дж. Талайрах, Копланарный стереотаксический атлас пространственно-пропорциональной системы человеческого мозга. Подход к церебральной визуализации, 1988.
[19] Л. Ю, Х. Лю, Выбор признаков для многомерных данных: быстрое решение для фильтра на основе корреляции, в материалах 20-й Международной конференции по машинному обучению (ICML-03), 2003 г., стр. 856–863.
[20] MW Browne, Методы перекрестной проверки, J. Math. Психол. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Чувствительность, специфичность, точность, связанный доверительный интервал и анализ ROC с практическими реализациями SAS, NESUG Proceed.: Health Life Sci. (Балтимор, Мэриленд) 19 (2010) 67.
[22] В. Ван Хекке, Л. Эмселл, С. Сунарт, Диффузионно-тензорная визуализация: практическое руководство, Springer, 2015.

[23] Б. Бигэм, С. А. Заманпур, Ф. Земоршиди, Ф. Боруманд, Х. Заре, Инициатива нейровизуализации болезни Альцгеймера. Идентификация поверхностных аномалий белого вещества при болезни Альцгеймера и умеренных когнитивных нарушениях с использованием диффузионно-тензорной визуализации, J. Alzheimer's Dis. Отчет 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou и др., Различия между обобщенной визуализацией q-выборки и визуализацией тензора диффузии в предоперационной визуализации нервного волокна. тракты внутри перитуморального отека головного мозга, Neurosurgery 73 (6) (2013) 1044–1053.
[25] М. Дайану, Э.Л. Деннис, Н. Джаханшад, Т.М. Нир, А.В. Тога, Ч.Р. Джек и др., Болезнь Альцгеймера нарушает богатую клубную организацию в сетях связи мозга, в: 10-й Международный симпозиум IEEE по биомедицинской визуализации, 2013 г., IEEE , 2013. С. 266–269.
[26] EH Seo, DY Lee, J.-M. Ли, Дж.-С. Парк, Б.К. Сон, Д.С. Ли и др., Функциональные сети всего мозга при когнитивно нормальных, умеренных когнитивных нарушениях и болезни Альцгеймера, PLoS One 8 (1) (2013).
[27] Джалили М., Теоретико-графический анализ болезни Альцгеймера: различение больных БА от здоровых, Инф. науч. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Идентификация и характеристика различных стадий болезни Альцгеймера с использованием упорядоченных основных функций и машинного обучения, Heliyon (2021), e07287.
[29] С. Сулеймани, М. Хансари, П. Зарринех, М. Дайану, Н. Джаханшад, П. М. Томпсон и др., Прогнозирование изменений сети мозга при болезни Альцгеймера с помощью алгоритмов прогнозирования связей, Мол. Биосист. 13 (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang и др., Аномальные корковые сети при легких когнитивных нарушениях и болезни Альцгеймера, PLoS Comput. биол. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Структурное понимание аберрантных топологических паттернов крупномасштабных корковых сетей при болезни Альцгеймера, J. ​​Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Нейрональные сети при болезни Альцгеймера, Neuroscientist 15 (4) (2009) 333–350.
[33] А. Эбади, Дж. Л. Далбони да Роча, Д. Б. Нагараю, Ф. Товар-Молл, И. Брамати, Г. Коутиньо и др., Ансамблевая классификация болезни Альцгеймера и легких когнитивных нарушений на основе сложных графических показателей диффузионного тензора изображения, Фронт. Неврологи. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman и др., Показатели атрофии височно-теменной МРТ у субъектов с легкими когнитивными нарушениями, которые предсказывают последующий диагноз болезни Альцгеймера, Am. Дж. Нейрорадиол. 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, Отслеживание коротких соединений височно-теменно-затылочной области в человеческом мозге с использованием визуализации диффузионного спектра и диссекции волокон, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song и др., Измененная функциональная связность островковых субрегионов при болезни Альцгеймера, Front. Стареющие нейроски. 10 (2018) 107.