Cechy powierzchownej substancji białej jako biomarkerów do wykrywania choroby Alzheimera i łagodnych zaburzeń poznawczych

Kontakt: emily.li@wecistanche.com

Bahare Bigham i inni

Abstrakcyjny:

Tło:

Wraz z rozwojem narzędzi do obrazowania medycznego i przetwarzania, dokładna diagnoza chorób stała się możliwa dzięki inteligentnym systemom. Ze względu na niezwykłą zdolność maszyn wektorów nośnych (SVM) do diagnozowania chorób przeprowadzono szeroko zakrojone badania z wykorzystaniem algorytmu SVM do klasyfikacjiChoroba Alzheimerachoroba(AD) i łagodne zaburzenia poznawcze (MCI).

Cele:

W tym badaniu zastosowaliśmy zautomatyzowaną metodę klasyfikacji pacjentów zChoroba AlzheimeraChorobaoraz MCI i osoby zdrowej kontroli (HC) w oparciu o cechy obrazowania tensora dyfuzji (DTI) w powierzchownej istocie białej (SWM).

Uczestnicy:

W tym celu dane DTI zostały pobrane zChoroba AlzheimeraChorobaInicjatywa Neuroobrazowania (ADNI). W tej metodzie wykorzystano dane DTI od 72 osób: 24 osób z HC, 24 osób z MCI i 24 osób z AD.

Pomiary: Przetwarzanie DTI przeprowadzono za pomocą oprogramowania DSI Studio, a wszystkie analizy uczenia maszynowego wykonano za pomocą oprogramowania MATLAB.

Wyniki:

Liniowe jądro SVM było najlepszym klasyfikatorem, z dokładnością 95,8 procent międzyChoroba AlzheimeraChorobai grupy HC, a następnie kwadratowe jądro SVM z dokładnością 83,3% między grupami MCI i HC oraz jądro Gaussa SVM z dokładnością 83,3% między grupami AD i MCI. Wnioski: Biorąc pod uwagę znaczenie diagnozowania AD i MCI oraz rolę powierzchownej istoty białej w diagnostyce chorób neurodegeneracyjnych, w niniejszej pracy omówiono cechy różnych metod DTI SWM, które mogą być użytecznym narzędziem wspomagającym w diagnostyce AD ​​i MCI.

Słowa kluczowe: maszyna wektorów nośnych, obrazowanie tensora dyfuzji,Choroba Alzheimerachoroba, łagodne upośledzenie funkcji poznawczych, Powierzchowna istota biała

Kliknij tutaj, aby uzyskać więcej informacji o Cistanche na chorobę Alzheimera

1. Wstęp

Dzięki wzrostowi starzejącej się populacji, dokładne i skuteczne wykrywanieChoroba Alzheimera(AD) stał się ważnym problemem w społeczeństwie [1]. Łagodne upośledzenie funkcji poznawczych (MCI) to stan pomiędzy normalnym pogorszeniem funkcji poznawczych związanym ze starzeniem się a cięższym spadkiem demencji. Ponieważ nie ma swoistego leku na MCI i istnieje duże ryzyko jego progresji do otępienia, bardzo ważne jest rozpoznanie i zapobieganie chorobie [2].

Choroba neurodegeneracyjna często dotyka pewnych obszarów mózgu. Powierzchowna istota biała (SWM) jest jednym z regionów, które zostały uznane za wysoce podatne na wiele chorób, zgodnie z modelem retrogenezy [3, 4]. W tym badaniu opracowaliśmy model maszyny wektorów nośnych (SVM), który klasyfikuje osoby z HC, MCI i AD na podstawie cech SWM.

Dzięki rozwojowi technologii systemów automatycznych w różnych dziedzinach nauk medycznych systemy uczenia maszynowego pomagają lekarzom w automatycznym diagnozowaniu chorób [5]. SVM, jako nadzorowana technika uczenia maszynowego, jest bardzo potężnym narzędziem w analityce big data [1].

Powszechnie uważa się, że techniki obrazowania mózgu mają potencjał do diagnozowania chorób mózgu. Za pomocą tych technik można zidentyfikować problemy w ludzkim mózgu, bez potrzeby inwazyjnej neurochirurgii. Obecnie w ośrodkach badawczych i szpitalach na całym świecie stosuje się kilka akceptowanych bezpiecznych technik obrazowania [6]. Obrazowanie tensora dyfuzji (DTI) to nowatorska technika neuroobrazowania oparta na MRI, która umożliwia ocenę integralności włókien nerwowych [7].

Rekonstrukcję danych DTI można podzielić na dwie kategorie: metody bezmodelowe i oparte na modelach. Metody oparte na modelach, takie jak rekonstrukcja DTI, zakładają, że kształt dyfuzji wody jest zgodny z trójwymiarowym wzorcem Gaussa, ale nie ma założenia co do rozkładu w metodzie bezmodelowej, takiej jak metoda q-space diffeomorphic rekonstrukcja (QSDR). Metoda QSDR odtwarza dane w przestrzeni Montreal Neurological Institute (MNI) [8]. Oprogramowanie DSI Studio (www. dsi-s tudio.labsolver.org) obsługuje zarówno metody rekonstrukcji oparte na modelach, jak i bezmodelowe.

Różne pomiary pochodzą z metody rekonstrukcji DTI, w tym średnią dyfuzyjność (MD), anizotropię frakcyjną (FA), dyfuzyjność osiową (AxD) i dyfuzyjność promieniową (RD). Pomiary oparte na gęstości pochodzące z metody rekonstrukcji QSDR obejmują anizotropię ilościową (QA), wartość izotropową (ISO), obrazowanie ograniczonej dyfuzji (RDI) i tak dalej.

QA jest metryką służącą do ilościowego określenia populacji spinów w określonym kierunku i określenia populacji włókien (w szczególności włókien krzyżujących się). Znormalizowana skala QA (QA) jest obliczana przez normalizację maksymalnej wartości QA do jednego, tak aby QA mogła być bardziej porównywalna u pacjenta [9].

RDI to metoda ilościowego określania gęstości ograniczonej dyfuzji w odniesieniu do zakresu przemieszczenia dyfuzji (np. 10 mikronów) [10].

Możliwość oszacowania głównego kierunku dyfuzji za pomocą tensora dała również technikę traktografii, która została zastosowana do obliczenia macierzy łączności i miar sieciowych [11].

Mózg jest reprezentowany jako złożona sieć składająca się z neuronów i obszarów mózgu powiązanych strukturalnie i funkcjonalnie. Sieć mózgowa (lub wykres) składa się z węzłów (reprezentujących neurony lub regiony mózgu) połączonych liniami (łączność między regionami mózgu) [12].

Nauka o sieciach może pomóc w zmniejszeniu złożoności analitycznej architektury mózgu i zrozumieniu wzorców połączeń mózgu i może dostarczyć informacji o zaburzeniach klinicznych [13].

Pomiary sieciowe obejmują assortatywność, wydajność, PageRank, międzysieciowość, sieć małego świata i tak dalej; służą do lepszego zrozumienia struktury i funkcji ludzkiego mózgu jako sieci [14].

Tylko w kilku badaniach wykorzystano różne podejścia analityczne, takie jak region zainteresowania (ROI), traktografia oraz łączność i sieć zarówno w rekonstrukcji DTI, jak i QSDR. Zastosowaliśmy technikę SVM opartą na cechach wyekstrahowanych z powierzchownej istoty białej wyżej wymienionymi metodami analizy do automatycznej binarnej detekcji AD i MCI, AD i HC oraz MCI i HC.

2. Materiały i metody

Dane przedstawione w tym artykule pochodzą z mgr inż. pracy magisterskiej i została zrecenzowana i zatwierdzona przez Komitet ds. Etyki Uniwersytetu Nauk Medycznych w Mashhad (Numer etyczny: IR.MUMS.MEDICAL.REC.1397.320).

Kroki są następujące:

2.1. Pozyskiwanie danych

Dane 72 uczestników z trzech grup zostały pobrane zChoroba AlzheimeraChorobaBaza danych Neuroobrazowania Inicjatywy (ADNI). Osoby biorące udział w tym badaniu, w tym osoby z grup AD (n=24), MCI (n=24) i kontrolnej (n=24), zostali zrekrutowani z projektu ADNI2.

DTI całego mózgu badanych zostało wygenerowane z projektu ADNI2 z następującymi parametrami skanowania: Producent ¼ GE MEDICAL SYSTEMS; Matryca X ¼ 256.0 pikseli; Matryca Y ¼ 256.0 pikseli; Macierz Z=2714. 0; Rozmiar piksela X ¼ 1,4 mm; Rozmiar piksela Y ¼ 1,4 mm; PulseSequence ¼ EP/SE; czas powtarzania (TR) 13000 ms, czas echa (TE) 68,3 ms, kąt odwrócenia 90, natężenie pola 3,0, grubość warstwy 2,7 ​​mm, 41 kierunków niewspółliniowych z b -wartość 1000 s/mm2 i 5 obrazów bez ważenia dyfuzyjnego. Oprócz obrazów pobrano również dane kliniczne i neuropsychologiczne badanych.

2.2. Przetwarzanie DTI

Dla każdych danych surowych wykonano następujące główne kroki w celu wyodrębnienia cech technik DTI w SWM (pokazano na Rysunku 1). Wszystkie te procesy przeprowadzono przy użyciu oprogramowania DSI Studio (opracowanego przez Fang-Cheng Yeh z Advanced Biomedical MRI Lab, National Taiwan University Hospital, Taiwan, wspieranego przez Fiber Tractography Lab.

2.2.1. Etap wstępnego przetwarzania i rekonstrukcji

Przed pomiarem parametru DTI dokonano korekcji ruchu głowy oraz prą- dów wirowych i strippingu czaszki. Do usuwania czaszki i filtrowania regionu tła użyliśmy masek dostarczonych przez DSI Studio. Następnie w kolejnym kroku zastosowaliśmy dwie różne metody rekonstrukcji, w tym opcję bazy modelu (DTI) i modelu swobodnego (QSDR) w DSI Studio; z dwoma różnymi podejściami do przetwarzania obrazów dyfuzyjnych.

2.2.2. Podejście do zwrotu z inwestycji

Po etapie rekonstrukcji uzyskano różne parametry DTI z ROI, traktografii i łączności oraz metod sieciowych. ROI to tożsamość do określonego celu, region SWM w obecnym badaniu. Maskę (w przestrzeni MNI) tego regionu uzyskano w podobnym badaniu Arash Nazeri i wsp. [15, 16].

Zgodnie z podziałem regionów mózgu w Terminologia Anatomica 1998 [17] i Terminologia Neuroanatomica 2017 (FIPAT. Terminologia Neuroanaatomica. FIPAT.library.dal.ca. Federative International Program for Anatomical Terminology, luty 2017), podzieliliśmy region SWM na 12 obszarów anatomicznych, w tym płaty czołowe, ciemieniowe, skroniowe, potyliczne, limbiczne i wyspowe (z każdej strony) według Atlasu Talairach [18] (ryc. 2). Regiony te zostały potwierdzone przez dwóch doświadczonych radiologów. Na koniec dodaliśmy atlas SWM podregionów, aby uzyskać lepszy i łatwiejszy dostęp do atlasów oprogramowania DSI-Studio. W sumie dla każdego regionu obliczono 12 regionów SWM oraz średnie wartości DTI i QSDR.

2.2.3. Podejście tratograficzne

W celu wyodrębnienia parametrów traktografii wykorzystano wskaźniki FA i QA do rekonstrukcji odpowiednio DTI i QSDR w celu określenia progu śledzenia włókien. Początkowo umieszczano regiony SWM (jako ROI), a traktografię wykonywano oddzielnie od regionów. Traktografię każdego regionu SWM wykonano z 100000 nasion, wygenerowanych losowo w pozycjach subwokseli, a nasiona umieszczono we wszystkich regionach SWM, z krokiem o wielkości 0 (0,5 wokseli do odległości 1,5 woksela) i wartości wygładzania 1. Śledzenie od pierwotnego włókna punktu zaszczepiania ustawiono na usprawnienie (Euler), a interpolację kierunku ustawiono na trójliniową. Zakres długości włókien ustawiono między 30 a 300 mm.

2.2.4. Analiza łączności i sieci

Po wykonaniu traktografii, strukturalną łączność między regionami SWM mózgu a pomiarami sieci mózgowej uzyskano metodą rekonstrukcji QSDR. W tym celu użyto opcji „Macierz łączności” do wyodrębnienia parametrów łączności i sieci. Tak więc po wykonaniu traktografii całego mózgu dokonano oceny połączeń między obszarami SWM na podstawie liczby połączeń. Ponadto zmierzone informacje z sieci (takie jak wydajność, assortatywność, pomiędzy itp.) zostały wyodrębnione z różnych regionów SWM.

2.3. Metody klasyfikacji

Uwzględniliśmy parametry DTI zarówno rekonstrukcji, jak i zmierzone parametry z ROI, traktografii, łączności i metod sieciowych (tj. FA, MD, RD, AxD i QA, QA, iso, RDI, wartości sieciowe i liczba połączeń między regionami mózgu). Dla każdej grupy została przekonwertowana na pliki CSV, aby wprowadzić oprogramowanie MATLAB do klasyfikacji. Na cechy wyodrębnione z każdej z nich składały się 504 cechy metody ROI, 576 cechy metody traktografii oraz 702 cechy metody łączności i sieci. Po posortowaniu cech, wektor cech dla każdego podmiotu oszacowano z 1782 cech. W celu przygotowania macierzy cech jako danych wejściowych do modelu klasyfikacji SVM utworzono macierze międzygrupowe (HC-AD, HC-MCI i MCI-AD) z określonymi etykietami dla każdej grupy.

Wszystkie analizy uczenia maszynowego zostały wykonane przy użyciu oprogramowania MATLAB (R2014a). Kroki można podzielić na następujący schemat blokowy (jak pokazano na rysunku 3).

Po przetworzeniu danych DTI, wyodrębnieniu cech i utworzeniu wektorów cech, przeprowadzono selekcję cech.

2.3.1. Wybór funkcji

W tym badaniu neuroobrazowym liczba cech przypadająca na osobę była bardzo wysoka. Tak więc, aby zidentyfikować najistotniejsze cechy (lub parametry) do klasyfikacji, zastosowaliśmy metodę opartą na szybkim filtrze korelacji (FCBF), który jest metodą selekcji cech dla danych wielowymiarowych [19].

Po przetworzeniu DTI, selekcja cech jest wykonywana przy użyciu metod FCBF i wykorzystywana w SVM do klasyfikacji binarnej.

2.3.2. Nauka i klasyfikacja

Po wybraniu cech wykonaliśmy wewnętrzną 5-krotną walidację krzyżową danych uczących i zastosowaliśmy algorytm SVM przy użyciu klasyfikacji binarnej między trzema grupami. Walidacja krzyżowa to technika walidacji modelu stosowana w celu zapewnienia uogólnienia wydajności; jest to również metoda ponownego próbkowania stosowana do oceny modelu, jeśli dysponujemy ograniczonymi danymi [20]. W sumie oceniliśmy jądra liniowe, kwadratowe, sześcienne i gaussowskie (drobne, średnie, grube). Ze względu na lepsze wyniki w jądrach liniowych, kwadratowych i gaussowskich oraz w celu zmniejszenia złożoności badania, przedstawiliśmy wyniki tych trzech jąder. Na koniec pokazujemy krzywą charakterystyki działania odbiornika (ROC) i obszar pod krzywą (AUC) dla najlepszego jądra w każdej klasyfikacji (jak pokazano na rysunku 4).

2.3.3. Ocena

Po przeszkoleniu algorytmu SVM wyniki, w tym dokładność, swoistość i czułość, które są zdefiniowane w następujący sposób, są wykorzystywane do oceny wydajności klasyfikacji.

Ogólnie w tych równaniach, prawdziwie dodatnie (TP) odnosi się do liczby pacjentów prawidłowo przewidzianych, fałszywie dodatnie (FP) odnosi się do liczby zdrowych kontroli błędnie przewidywanych jako pacjenci, prawdziwie negatywni (TN) odnosi się do liczby zdrowych kontroli przewidzianych prawidłowo , a fałszywie ujemny (FN) odnosi się do liczby pacjentów błędnie uznanych za zdrowych [21].

3. Wynik

3.1. Charakterystyka demograficzna i kliniczna

Dane demograficzne i wyniki kliniczne uczestników przedstawiono w Tabeli 1. Nie było znaczących różnic (P > 0,05) między trzema grupami w odniesieniu do wieku i płci (patrz Tabela 1). Mini-mentalne badanie stanu (MMSE), Globalna ocena kliniczna demencji (CDR) i wyniki Kwestionariusza Aktywności Funkcjonalnej (FAQ) różniły się istotnie między trzema grupami. Analiza statystyczna podstawowych informacji została przeprowadzona za pomocą SPSS 24.

3.2. Selektywne cechy powierzchownej istoty białej

Metoda selekcji cech FCBF wykazała 8 cech do klasyfikacji MCI i HC, 25 cech do klasyfikacji AD i HC oraz 17 cech do klasyfikacji AD i MCI (tab. 2). Rysunek 5 pokazuje liczbę selektywnych cech różnych metod DTI.

3.3. Wyniki klasyfikacji

Jako wyniki tego badania podano średnią dokładność, czułość i swoistość. Liniowe jądro SVM było najlepszym klasyfikatorem, z dokładnością 95,8 procent, czułością 95,8 procent i specyficznością 95,8 procent między grupami AD i HC, a następnie kwadratowym jądrem SVM z dokładnością 83,3 procent, czułość 94,4 procent i swoistość 76,6 procent między grupami MCI i HC a jądrem Gaussa SVM z dokładnością 83,3 procent , czułość 80,7 procent i specyficzność 86.3 procent między grupy AD i MCI), jak pokazano w Tabeli 1). Rysunek 6 przedstawia porównanie między trzema jądrami i wskazuje najlepsze jądro w dowolnej klasyfikacji par (patrz Tabela 3).

4. Dyskusja

Istnieją różne metody analizy danych DTI, a każda z nich ma swoje mocne i słabe strony. W tym badaniu zastosowaliśmy trzy metody, a mianowicie ROI, traktografię, łączność i analizę sieci, aby uzyskać charakterystykę powierzchownej istoty białej [22].

Zgodnie z modelem retrogenezy powierzchowna istota biała jest jednym z obszarów, w których stwierdzono dużą podatność na wiele chorób [23]. Z tego powodu obszar ten został zbadany w niniejszym badaniu.

Przeprowadzono kilka badań w celu odróżnienia osób z AD i MCI od osób zdrowych, a wielu badaczy jest zainteresowanych znalezieniem metod rozdzielenia tych trzech grup. W obecnym badaniu zastosowaliśmy zautomatyzowaną metodę klasyfikacji pacjentów z AD i MCI oraz pacjentów z HC na podstawie cech DTI w SWM.

Należy zauważyć, że architektura włókien SWM (zawierających liczne populacje włókien zwane „włóknami krzyżującymi”) wykazuje bardziej złożony porządek niż głęboka istota biała (Rysunek 7). Z tego powodu wydaje się konieczne zastosowanie techniki rekonstrukcji QSDR, ponieważ metody bezmodelowe są dokładniejsze w wokselach zawierających populacje wielowłóknowe w porównaniu z metodami opartymi na modelach [24]. W tym celu wykorzystaliśmy technikę QSDR wraz z techniką rekonstrukcji DTI.

Ze względu na rozwój inteligentnych systemów w różnych naukach opracowano system uczenia maszynowego do klasyfikacji par między trzema grupami. Zgodnie z naszą najlepszą wiedzą, jest to pierwsze badanie, w którym wykorzystano maszynę wektorów nośnych do identyfikacji cech technik DTI w SWM.

Nasze wyniki z kontroli w porównaniu z klasyfikacją MCI wykazały, że jądro kwadratowe było najlepszym jądrem dla tej klasyfikacji, z dokładnością 83,3% . Rozróżnienie między pacjentami z AD i starszymi osobami z grupy kontrolnej wykazało 95,8 procent dokładności w jądrze liniowym. W wybranych funkcjach duże znaczenie miały parametry łączności. Przykład tych połączeń pokazano na rysunku 8.

Ogólnie rzecz biorąc, badanie cech sieci mózgowych może dostarczyć naukowcom informacji na temat większości chorób neurodegeneracyjnych, w tym AD i MCI. Niedawno badanie właściwości sieci w chorobie Alzheimera przyciągnęło uwagę kilku badaczy. Wśród tych badaczy są Daianu i in. [25], Seo i in. [26], Jalili i in. [27], Sheng i in. [28] oraz Sulaiman i in. [29]. Uważają, że analiza połączeń sieci mózgowych zapewnia istotne zrozumienie sposobu, w jaki szlaki neuronowe ulegają rozpadowi w chorobie Alzheimera. Na przykład, jak doniesiono w badaniu Yongxia Zhou i wsp., cecha sieci małego świata w korze mózgowej była w stanie odróżnić pacjentów z chorobą Alzheimera od pacjentów z MCI. W tym badaniu sieć małego świata, jako jedna z selektywnych cech w powierzchownej istocie białej, wykazała zdolność do różnicowania AD od MCI i mogła być wykorzystana do wyjaśnienia spadku pamięci i funkcji poznawczych, zgodnie z

ustalenia z poprzednich badań, że utrata cech sieci małego świata jest zmieniona u pacjentów z AD [30, 31, 32].

Ponadto pomiar PageRank może wyróżnić obszary mózgu o większej liczbie linków zewnętrznych [33]. W naszym badaniu PageRank w obszarach czołowych i ciemieniowych był jedną z najczęściej zidentyfikowanych cech w diagnostyce AD ​​i może odgrywać ważniejszą rolę w mózgu.

Jednym z najważniejszych ustaleń badania jest długość i liczba odcinków lewego płata ciemieniowego w oddzieleniu AD od MCI. W badaniu Desikan i wsp. wspomniano o znaczeniu uszkodzenia płata ciemieniowego jako predyktora progresji od MCI do AD [34]. Wyniki traktografii tego badania mogą potwierdzić wnioski z poprzedniego badania w regionie SWM. Ponieważ MCI mają większe ryzyko rozwoju AD niż grupa kontrolna, pomocnym wskaźnikiem może być badanie płata ciemieniowego.

Ponadto, dodając do wyników badań traktograficznych w porównaniu z AD i MCI, zaobserwowano zaburzenie łączności między płatami skroniowymi i ciemieniowymi, a także płatami limbicznymi i potylicznymi w AD. Innymi słowy, połączenia włókien o krótkim zasięgu w okolicy skroniowo-ciemieniowej mogą być istotnym odkryciem w rozdzieleniu tych dwóch chorób. Skroniowo-ciemieniowa odgrywa kluczową rolę w ludzkich funkcjach nerwowych na wysokim poziomie [35], które mogą być uszkodzone w chorobie Alzheimera. Desikan i in. zbadali atrofię tego regionu w AD [34]. Wyniki tego badania przy użyciu nowej techniki i cech metody DTI mogą być skuteczne w oddzieleniu MCI od AD. Badanie funkcjonalnego rezonansu magnetycznego (fMRI) wykazało, że wyspa jest kluczowym regionem sieci ludzkiego mózgu i najbardziej wrażliwym regionem AD [36]; niniejsze badanie może potwierdzić te wyniki w powierzchownej istocie białej, ponieważ cechy wyspy, takie jak łączność, izo, Tzz i Txy, należą do wybranych i głównych cech pacjentów z chorobą Alzheimera.

W większości badań stwierdzono, że wartości DTI zmieniają się między grupami AD i MCI. Dokładność klasyfikacji w tym badaniu między AD i MCI wyniosła 83,3% według jądra Gaussa, które było najlepszym jądrem dla tej klasyfikacji.

Jako sugestię dla przyszłych badań, interesujące będzie uwzględnienie innych modalności i biomarkerów w badaniu multimodalnym, takich jak fMRI i elektroencefalogram (EEG), pozytonowa tomografia emisyjna (PET) i dane dotyczące białek CSF z danymi DTI, a także mogą być jednym z nasze przyszłe cele.

5. Wniosek

Podsumowując, przeprowadziliśmy metodę automatycznego rozróżniania pacjentów z AD i MCI od zdrowych osób z grupy kontrolnej. W tym badaniu wykazaliśmy, że AD lub MCI można odróżnić od HC przy użyciu cech regionu SWM poprzez DTI. Zatem cechy uzyskane z ROI, traktografii oraz metod łączności i sieci mogą pomóc w diagnozowaniu AD i MCI. Wreszcie, badanie to dostarcza podstaw do oceny innych zautomatyzowanych metod klasyfikacji w tych regionach.

5.1. Ograniczenia

Wielkość próbki w uczeniu maszynowym jest kluczowym czynnikiem wpływającym na wydajność modelu. Ograniczeniem badania jest mała liczebność próby uwzględnionych osób.

Bibliografia
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, klasyfikacja DTI i strukturalna MRI w chorobie Alzheimera, Adv. Mol. Obraz. 2012 (2012).
[2] SA Eshkoor, TA Hamid, CY Mun, CK Ng, Łagodne upośledzenie funkcji poznawczych i jego postępowanie u osób starszych, Clin. Wywiad. Wiek 10 (2015) 687–693.
[3] OR Phillips, SH Joshi, F. Piras, MD Orfei, M. Iorio, KL Narr i in., Powierzchowna istota biała w chorobie Alzheimera, Hum. Mapa mózgu. 37 (4) (2016) 1321–1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Altered powierzchowna istota biała na traktografii MRI w chorobie Alzheimera, Dementia Geriatr. Poznawanie. Nieład. Dodatkowe 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, Zastosowanie technologii medycznej sztucznej inteligencji na obszarach wiejskich krajów rozwijających się, Health Equity 2 (1) (2018) 174-181.
[6] KD Davis, H. Flor, HT Greely, GD Iannetti, S. Mackey, M. Ploner i in., Testy obrazowania mózgu w przypadku przewlekłego bólu: kwestie i zalecenia medyczne, prawne i etyczne, Nat. Wielebny Neurol. 13 (2017) 624.
[7] M. Dyba, M. Ewers, M. Wegrzyn, I. Kilimann, C. Plant, A. Oswald i in. Międzynarodowe Warsztaty Multimodalnej Analizy Obrazów Mózgu, Springer, 2012, s. 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long i wsp., Różnice między uogólnionym obrazowaniem Q-sampling a obrazowaniem tensora dyfuzji w wizualizacji skrzyżowania włókien nerwowych w mózg, Surg. Radiol. Anat. 41 (9) (2019) 1019-1028.
[9] SY Lim, Y.-S. Tyan, Y.-P. Chao, F.-Y. Nien, J.-C. Weng, Nowe spojrzenie na rozwijający się mózg królika przy użyciu traktografii tensora dyfuzji i uogólnionego pobierania próbek MRI, PLoS One 10 (3) (2015).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, Mapowanie infiltracji komórek odpornościowych przy użyciu MRI o ograniczonej dyfuzji, Magn. Rezon. Med. 77 (2) (2017) 603-612.
[11] G. Prasad, TM Nir, AW Toga, PM Thompson, Tractography density and network Measures in Alzheimer’s disease, w: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE, 2013, s. 692–695.
[12] A. Mheich, F. Wendling, M. Hassan, Brain Network Similarity: Methods and Applications, 2019 arXiv preprint arXiv:190810592.
[13] O. Sporns, Metody teorii grafów: zastosowania w sieciach mózgowych, Dialogues Clin. Neurosci. 20 (2) (2018) 111.
[14] O. Sporns, JD Zwi, Mały świat kory mózgowej, Neuroinformatyka 2 (2) (2004) 145-162.[15] A. Nazeri, MM Chakravarty, TK Rajji, D. Felsky, DJ Rotenberg, M. Mason i in.,
Powierzchowna istota biała jako nowy substrat związanego z wiekiem spadku funkcji poznawczych, Neurobiol. Starzenie się 36 (6) (2015) 2094-2106.
[16] A. Nazeri, MM Chakravarty, D. Felsky, NJ Lobaugh, TK Rajji, BH Mulsant i in., Zmiany powierzchownej istoty białej w schizofrenii i związek z wydajnością poznawczą, Neuropsychofarmakologia: Wył. Wyd. Jestem. College Neuropsychopharmacol. 38 (10) (2013) 1954.
[17] GC Ribas, The cerebral sulci and gyri, Neurosurg. Focus 28 (2) (2010) E2. [18] J. Talairach, Współpłaszczyznowy stereotaktyczny Atlas ludzkiego mózgu-3-Wymiarowy układ proporcjonalny. Podejście do obrazowania mózgu, 1988.
[19] L. Yu, H. Liu, Feature selection for high-dimensional data: a szybki filtr oparty na korelacji, w Proceedings of 20th International Conference on Machine Learning (ICML-03), 2003, s. 856–863.
[20] MW Browne, Metody walidacji krzyżowej, J. Math. Psychol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Czułość, swoistość, dokładność, powiązany przedział ufności i analiza ROC z praktycznymi implementacjami SAS, NESUG Proceed.: Health Life Sci. (Baltimore, Maryland) 19 (2010) 67.
[22] W. Van Hecke, L. Emsell, S. Sunaert, Obrazowanie tensora dyfuzji: praktyczny podręcznik, Springer, 2015.

[23] B. Bigham, SA Zamanpour, F. Zemorshidi, F. Boroumand, H. Zare, Alzheimer's Disease Neuroimaging Initiative. Identyfikacja powierzchownych nieprawidłowości istoty białej w chorobie Alzheimera i łagodnych zaburzeń poznawczych przy użyciu obrazowania tensora dyfuzji, J. Alzheimer's Dis. Rep. 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou i wsp., Różnice między uogólnionym obrazowaniem q-sampling a obrazowaniem tensora dyfuzji w przedoperacyjnej wizualizacji włókna nerwowego dróg w obrębie obrzęku okołoguzowego w mózgu, Neurosurgery 73 (6) (2013) 1044–1053.
[25] M. Daianu, EL Dennis, N. Jahanshad, TM Nir, AW Toga, CR Jack i in., Choroba Alzheimera zakłóca bogatą organizację klubową w sieciach łączności mózgu, w: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE , 2013, s. 266–269.
[26] EH Seo, DY Lee, J.-M. Lee, J.-S. Park, BK Sohn, DS Lee i in., Sieci funkcjonalne całego mózgu w normalnych poznawczo, łagodnych zaburzeniach poznawczych i chorobie Alzheimera, PLoS One 8 (1) (2013).
[27] M. Jalili, Wykres teoretycznej analizy choroby Alzheimera: odróżnienie pacjentów z AD od osób zdrowych, Inf. Nauka. 384 (2017) 145-156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Identyfikacja i charakterystyka różnych etapów choroby Alzheimera przy użyciu uporządkowanych podstawowych funkcji i uczenia maszynowego, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, PM Thompson i in., Przewidywanie zmian sieci mózgowej w chorobie Alzheimera za pomocą algorytmów przewidywania linków, Mol. Biosyst. 13 (4) (2017) 725-735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang i in., Nieprawidłowe sieci korowe w łagodnych zaburzeniach poznawczych i chorobie Alzheimera, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Strukturalne spostrzeżenia na temat nieprawidłowych wzorców topologicznych wielkoskalowych sieci korowych w chorobie Alzheimera, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Sieci neuronowe w chorobie Alzheimera, Neuroscientist 15 (4) (2009) 333-350.
[33] A. Ebadi, JL Dalboni da Rocha, DB Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho i in. obrazy, przód. Neurosci. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman, et al., Temporparietal MR obrazowanie miary atrofii u osób z łagodnym upośledzeniem funkcji poznawczych, które przewidują późniejsze rozpoznanie choroby Alzheimera, Am. J. Neuroradiolu. 30 (3) (2009) 532-538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, Śledzenie krótkich połączeń regionu skroniowo-potylicznego w mózgu człowieka za pomocą obrazowania widma dyfuzyjnego i dysekcji włókien, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song i wsp., Zmieniona funkcjonalna łączność podregionów wyspowych w chorobie Alzheimera, Front. Starzenie się neuronauki. 10 (2018) 107.