Funktioner hos den ytliga vita substansen som biomarkörer för upptäckt av Alzheimers sjukdom och lindrig kognitiv funktionsnedsättning
Feb 26, 2022
Kontakt: emily.li@wecistanche.com
Bahare Bigham, et al
Abstrakt:
Bakgrund:
Med utvecklingen av medicinsk bildbehandling och bearbetningsverktyg har korrekt diagnos av sjukdomar möjliggjorts av intelligenta system. På grund av den anmärkningsvärda förmågan hos stödvektormaskiner (SVM) för sjukdomsdiagnostik har omfattande forskning utförts med SVM-algoritmen för klassificering avAlzheimerssjukdom(AD) och mild kognitiv funktionsnedsättning (MCI).
Mål:
I denna studie tillämpade vi en automatiserad metod för att klassificera patienter medAlzheimersSjukdomoch MCI och friska kontrollämnen (HC) baserade på diffusionstensor imaging (DTI) funktioner i den ytliga vita substansen (SWM).
Deltagarna:
För detta ändamål laddades DTI-data ner frånAlzheimersSjukdomNeuroimaging Initiative (ADNI). Denna metod använde DTI-data från 72 försökspersoner: 24 patienter med HC, 24 patienter med MCI och 24 patienter med AD.
Mätningar: DTI-bearbetning utfördes med DSI Studio-mjukvara och alla maskininlärningsanalyser utfördes med MATLAB-mjukvara.
Resultat:
Den linjära kärnan i SVM var den bästa klassificeraren, med en noggrannhet på 95,8 procent mellanAlzheimersSjukdomoch HC-grupper, följt av den kvadratiska kärnan hos SVM med en noggrannhet på 83,3 procent mellan MCI- och HC-grupperna, och den Gaussiska kärnan hos SVM med en noggrannhet på 83,3 procent mellan AD- och MCI-grupperna. Slutsatser: Med tanke på vikten av att diagnostisera AD och MCI samt rollen av ytlig vit substans i diagnosen av neurodegenerativa sjukdomar, diskuteras i denna studie funktionerna hos olika DTI-metoder för SWM, vilket kan vara ett användbart verktyg för att hjälpa vid diagnos av AD och MCI.
Nyckelord: Stöd för vektormaskin, Diffusionstensoravbildning,Alzheimerssjukdom, mild kognitiv försämring, ytlig vit substans

Klicka här för att få mer information om Cistanche för Alzheimers sjukdom
1. Introduktion
På grund av ökningen av den åldrande befolkningen, exakt och effektiv upptäckt avAlzheimers sjukdom(AD) har blivit en viktig fråga i samhället [1]. Mild kognitiv försämring (MCI) är ett tillstånd mellan normal åldranderelaterad kognitiv nedgång och den mer allvarliga nedgången av demens. Eftersom det inte finns något specifikt botemedel mot MCI och det finns en hög risk för att det utvecklas till demens, är diagnosen och förebyggandet av sjukdomen mycket viktigt [2].
Neurodegenerativ sjukdom påverkar ofta vissa delar av hjärnan. Ytlig vit substans (SWM) är en av de regioner som har visat sig vara mycket sårbara för många sjukdomar, enligt retrogenesmodellen [3, 4]. I den här studien utvecklade vi en stödvektormaskin (SVM) modell som klassificerar HC, MCI och AD ämnen baserat på egenskaperna hos SWM.
På grund av utvecklingen av automatisk systemteknik inom olika områden inom medicinsk vetenskap, hjälper maskininlärningssystem läkare att automatiskt diagnostisera sjukdomar [5]. SVM, som en övervakad maskininlärningsteknik, är ett mycket kraftfullt verktyg inom big data-analys [1].
Hjärnavbildningstekniker anses allmänt ha potentialen för diagnos av hjärnsjukdom. Med hjälp av dessa tekniker kan problem i den mänskliga hjärnan identifieras, utan behov av invasiv neurokirurgi. För närvarande används flera accepterade säkra avbildningstekniker på forskningscentra och sjukhus runt om i världen [6]. Diffusion tensor imaging (DTI) är en ny MRT-baserad neuroavbildningsteknik som gör det möjligt att bedöma neuronala fiberkanalsintegritet [7].
DTI-datarekonstruktion kan delas in i två kategorier: modellfria och modellbaserade metoder. Modellbaserade metoder som DTI-rekonstruktion antar att formen av vattendiffusion följer ett 3D Gaussiskt mönster, men det finns inget antagande om fördelningen i den modellfria metoden som q-space diffeomorphic reconstruction (QSDR)-metoden. QSDR-metoden rekonstruerar data i Montreal Neurological Institute (MNI) utrymme [8]. Programvaran DSI Studio (www. dsi-s tudio.labsolver.org) stöder både modellbaserade och modellfria rekonstruktionsmetoder.
Olika mätningar härleds från DTI-rekonstruktionsmetoden inklusive medeldiffusivitet (MD), fraktionerad anisotropi (FA), axiell diffusivitet (AxD) och radiell diffusivitet (RD). Densitetsbaserade mätningar härledda från QSDR-rekonstruktionsmetoden inkluderar kvantitativ anisotropi (QA), isotropt värde (ISO), begränsad diffusionsavbildning (RDI) och så vidare.
QA är ett mått för att kvantifiera spinnpopulationen i en specifik riktning och lösa fiberpopulationen (specifikt korsande fibrer). Den normaliserade QA-skalan (QA) beräknas genom att normalisera det maximala QA-värdet till ett så att QA kan vara mer jämförbar över ämnet [9].
RDI är en metod för att kvantifiera tätheten av begränsad diffusion med avseende på diffusionsförskjutningsområdet (t.ex. 10 mikron) [10].
Möjligheten att uppskatta huvuddiffusionsriktningen med hjälp av tensorn har också gett traktografitekniken, som har använts för att beräkna anslutningsmatrisen och nätverksmått [11].
Hjärnan representeras som ett komplext nätverk bestående av neuroner och hjärnregioner som är strukturellt och funktionellt relaterade. Ett hjärnnätverk (eller graf) består av noder (som representerar neuroner eller hjärnregioner) anslutna med linjer (anslutning mellan hjärnregioner) [12].
Nätverksvetenskap kan hjälpa till att minska komplexiteten i den analytiska hjärnarkitekturen och förstå hjärnans anslutningsmönster och kan ge information om kliniska störningar [13].
Nätverksmätningar inkluderar assortativitet, effektivitet, PageRank, betweenness, small-world network, och så vidare; de används för att bättre förstå strukturen och funktionen hos den mänskliga hjärnan som ett nätverk [14].
Endast ett fåtal studier har använt olika analysmetoder såsom region av intresse (ROI), traktografi och anslutningsmöjligheter och nätverk i både DTI- och QSDR-rekonstruktion. Vi tillämpade SVM-tekniken baserad på egenskaper extraherade från den ytliga vita substansen med ovannämnda analysmetoder för automatiserad binär detektering av AD och MCI, AD och HC, och MCI och HC.

2. Material och metoder
Data som presenteras i den här artikeln är extraherad från en M.Sc. avhandling och granskades och godkändes av den etiska kommittén vid Mashhad University of Medical Sciences (Etisk nummer: IR.MUMS.MEDICAL.REC.1397.320).
Stegen är följande:
2.1. Datainsamling
Data från de 72 deltagarna i de tre grupperna laddades ner frånAlzheimersSjukdomNeuroimaging Initiative (ADNI) databas. Ämnen i denna studie inklusive försökspersoner från AD (n ¼ 24), MCI (n ¼ 24) och kontroll (n ¼ 24) grupper rekryterades från ADNI2-projektet.
En helhjärnans DTI av försökspersonerna genererades från ADNI2-projektet med följande skanningsparametrar: Tillverkare ¼ GE MEDICAL SYSTEMS; Matrix X ¼ 256.0 pixlar; Matris Y ¼ 256.0 pixlar; Matrix Z ¼ 2714.0; Pixelstorlek X ¼ 1,4 mm; Pixelstorlek Y ¼ 1,4 mm; PulseSequence ¼ EP/SE; upprepningstid (TR) på 13000 ms, ekotid (TE) på 68,3 ms, vändvinkel på 90, fältstyrkan på 3,0, skivtjocklek på 2,7 mm, 41 icke-kollinjära riktningar med ett b -värde på 1000 s/mm2, och 5 bilder utan diffusionsviktning. Utöver bilderna laddades även kliniska och neuropsykologiska data från försökspersoner ned.
2.2. DTI-bearbetning
För varje rådata utfördes följande huvudsteg för att extrahera funktionerna i DTI-teknikerna i SWM (visas i figur 1). Alla dessa processer utfördes med hjälp av programvaran DSI Studio (utvecklad av Fang-Cheng Yeh från Advanced Biomedical MRI Lab, National Taiwan University Hospital, Taiwan, med stöd av Fiber Tractography Lab.

2.2.1. Förbearbetnings- och rekonstruktionssteg
Före DTI-parametermätningen gjordes korrigering av huvudrörelser och virvelström och skallavlägsnande. För att avlägsna skallen och filtrera bakgrundsregionen använde vi maskerna från DSI Studio. Sedan i nästa steg använde vi två olika rekonstruktionsmetoder inklusive modellbas (DTI) och fri modell (QSDR) alternativ i DSI Studio; med två olika attityder för att bearbeta diffusionsbilderna.
2.2.2. ROI-metoden
Efter rekonstruktionssteget erhölls olika DTI-parametrar från ROI, traktografi och anslutningsmöjligheter och nätverksmetoder. ROI är identiteten för ett visst syfte, SWM-regionen i den aktuella studien. Masken (i MNI-utrymmet) i denna region erhölls från en liknande studie av Arash Nazeri et al [15, 16].
Enligt uppdelningen av hjärnregioner i Terminologia Anatomica 1998 [17] och Terminologia Neuroanatomica 2017 (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca. Federative International Program for Anatomical Terminology, februari 2017) delade vi in SWM-regionen i 12 anatomiska regioner inklusive frontala, parietal, temporal, occipital, limbiska och insulära lober (på varje sida) av Talairach Atlas [18] (Figur 2). Dessa regioner bekräftades av två erfarna radiologer. Slutligen har vi lagt till SWM-atlas för underregioner för bättre och enklare åtkomst till DSI-Studio-programvaruatlaser. Totalt beräknades 12 SWM-regioner och genomsnittliga DTI- och QSDR-värden för varje region.

2.2.3. Tractography tillvägagångssätt
För att extrahera traktografiparametrarna användes FA- och QA-index för DTI- och QSDR-rekonstruktion för att bestämma fiberspårningströskeln. Inledningsvis placerades SWM-regioner (som ROI) och traktografi utfördes separat från regionerna. Traktografin av varje SWM-region utfördes med 100000 frön, slumpmässigt genererade vid subvoxelpositionerna, och fröna placerades över alla SWM-regioner, med en stegstorlek på 0 (0,5 voxel) till 1,5 voxel-avstånd) och ett utjämningsvärde på 1. Spårningen från primärfibern i en ymppunkt ställdes in på strömlinjeformning (Euler), och riktningsinterpolationen sattes till trilinjär. Fiberlängdsområdet var inställt mellan 30 och 300 mm.
2.2.4. Anslutningsmöjligheter och nätverksanalys
Efter att ha utfört traktografi erhölls den strukturella anslutningen mellan hjärnans SWM-regioner och hjärnnätverkets mätningar med QSDR-rekonstruktionsmetoden. För att göra detta användes alternativet "Anslutningsmatris" för att extrahera anslutnings- och nätverksparametrarna. Så att efter att ha utfört en traktografi av hela hjärnan utvärderades sammankopplingsmätningar mellan regionerna i SWM baserat på antalet anslutningar. Dessutom extraherades den uppmätta informationen från nätverket (såsom effektivitet, assortativitet, mellanliggande, etc.) från olika SWM-regioner.
2.3. Klassificeringsmetoder
Vi inkluderade DTI-parametrarna för både rekonstruktion och uppmätta parametrar från ROI, traktografi, anslutningsmöjligheter och nätverksmetoder (dvs. FA, MD, RD, AxD och QA, QA, iso, RDI, nätverksvärden och ett antal anslutningar mellan hjärnregionerna). För varje grupp konverterades till CSV-filer för att gå in i MATLAB-programvaran för klassificeringen. Funktioner som extraherades från var och en bestod av 504 funktioner i ROI-metoden, 576 funktioner i traktografimetoden och 702 funktioner i anslutnings- och nätverksmetoden. Efter sortering av särdragen uppskattades vektorn av särdrag för varje ämne från 1782 särdrag. För att förbereda funktionsmatriserna som input till SVM-klassificeringsmodellen skapades intergruppmatriser (HC-AD, HC-MCI och MCI-AD) med specifika etiketter för varje grupp.
Alla maskininlärningsanalyser utfördes med MATLAB-programvara (R2014a). Stegen kan delas in i följande flödesschema (som visas i figur 3).

Efter DTI-databearbetning, funktionsextraktion och funktionsvektorskapande utfördes funktionsval.
2.3.1. Funktionsval
I denna neuroimaging forskning var antalet funktioner per individ mycket högt. Så för att identifiera de mest relevanta egenskaperna (eller parametrarna) för klassificeringen använde vi en metod baserad på ett snabbt korrelationsbaserat filter (FCBF), vilket är en funktionsvalsmetod för högdimensionell data [19].
Efter DTI-bearbetning utförs funktionsval med FCBF-metoder och används i SVM för binär klassificering.
2.3.2. Lärande och klassificering
Efter funktionsval utförde vi en intern 5-faldig korsvalidering för träningsdata och tillämpade SVM-algoritmen med binär klassificering mellan de tre grupperna. Korsvalidering är en modellvalideringsteknik som används för att säkerställa prestandageneralisering; det är också en omsamplingsmetod som används för att bedöma en modell om vi har begränsad data [20]. Totalt utvärderade vi de linjära, kvadratiska, kubiska och gaussiska kärnorna (fina, medelstora, grova). På grund av de bättre resultaten i linjära, kvadratiska och gaussiska kärnor och för att minska komplexiteten i studien, rapporterade vi resultaten av dessa tre kärnor. Slutligen visar vi kurvan för Receiver operating characteristic (ROC) och arean under kurvan (AUC) för den bästa kärnan i varje klassificering (som visas i figur 4).

2.3.3. Utvärdering
När SVM-algoritmen har tränats används resultaten inklusive noggrannhet, specificitet och känslighet, som definieras enligt följande, för att utvärdera klassificeringsprestandan.
Generellt i dessa ekvationer avser sann positiv (TP) antalet patienter som förutsägs korrekt, falskt positiva (FP) avser antalet friska kontroller som förutsägs felaktigt som patienter, sant negativ (TN) avser antalet friska kontroller som förutsägs korrekt , och falskt negativ (FN) hänvisar till antalet patienter som felaktigt förutspås som friska [21].
3. Resultat
3.1. Demografiska och kliniska egenskaper
Demografi och deltagarnas kliniska poäng visas i tabell 1. Det fanns inga signifikanta skillnader (P > 0.05) mellan de tre grupperna med avseende på ålder och kön (se tabell 1). Mini-mental state examination (MMSE), Global clinical demens rating (CDR) och Functional Activities Questionnaire (FAQ) poäng skilde sig signifikant mellan de tre grupperna. Statistisk analys av grundinformationen utfördes med SPSS 24.

3.2. De selektiva egenskaperna hos ytlig vit substans
FCBF-metoden för särdragsval visade 8 särdrag för klassificeringen av MCI och HC, 25 särdrag för klassificeringen av AD och HC och 17 särdrag för klassificeringen av AD och MCI (tabell 2). Figur 5 visar antalet selektiva egenskaper hos de olika metoderna för DTI.


3.3. Klassificeringsprestanda
Den genomsnittliga noggrannheten, känsligheten och specificiteten rapporterades som resultaten av denna studie. Den linjära kärnan i SVM var den bästa klassificeraren, med en noggrannhet på 95,8 procent, en känslighet på 95,8 procent och en specificitet på 95,8 procent mellan AD- och HC-grupperna, följt av den kvadratiska kärnan av SVM med en noggrannhet på 83,3 procent. en sensitivitet på 94,4 procent och en specificitet på 76,6 procent mellan MCI- och HC-grupperna och den Gaussiska kärnan i SVM med en noggrannhet på 83,3 procent, en sensitivitet på 80,7 procent och en specificitet på 86,3 procent mellan AD- och MCI-grupperna) såsom visas i tabell 1). Figur 6 visar jämförelsen mellan de tre kärnorna och hittar den bästa kärnan i valfri parklassificering (se tabell 3).


4. Diskussion
Det finns olika metoder för att analysera DTI-data, och varje metod har sina styrkor och svagheter. I denna studie använde vi tre metoder, nämligen ROI, traktografi, anslutningsmöjligheter och nätverksanalys, för att erhålla egenskaperna hos den ytliga vita substansen [22].
Den ytliga vita substansen är en av de regioner som har visat sig vara mycket sårbara för många sjukdomar, enligt retrogenesmodellen [23]. Av denna anledning har detta område undersökts i denna studie.
Flera studier har genomförts för att skilja mellan individer med AD och MCI och friska individer och många forskare är intresserade av att hitta metoder för att separera dessa tre grupper. I den aktuella studien använde vi en automatiserad metod för att klassificera ämnen med AD och MCI, och HC-ämnen baserat på DTI-funktioner i SWM.
Det är viktigt att notera att fiberarkitekturen för SWM (som innehåller flera fiberpopulationer som kallas "korsande fibrer") visar en mer komplex ordning än den djupa vita substansen (Figur 7). Av denna anledning verkar det nödvändigt att använda QSDR-rekonstruktionstekniken, eftersom modellfria metoder är mer exakta i voxels som innehåller flera fiberpopulationer jämfört med modellbaserade metoder [24]. För detta ändamål använde vi QSDR-tekniken tillsammans med DTI-rekonstruktionstekniken.

På grund av utvecklingen av intelligenta system inom olika vetenskaper utvecklades ett maskininlärningssystem för parklassificering mellan de tre grupperna. Så vitt vi vet är detta den första studien som använder en stödvektormaskin för att identifiera funktionerna hos DTI-teknikerna i SWM.
Våra resultat från kontrollen kontra MCI-klassificeringen visade att den kvadratiska kärnan var den bästa kärnan för denna klassificering, med en noggrannhet på 83,3 procent. Diskrimineringen mellan AD-patienter och äldre kontroller visade 95,8 procents noggrannhet av den linjära kärnan. Anslutningsparametrar visade stor betydelse i de valda funktionerna. Ett exempel på dessa anslutningar visas i figur 8.

I allmänhet kan undersökningar av hjärnnätverksfunktioner ge forskare information om de flesta neurodegenerativa sjukdomar, inklusive AD och MCI. Nyligen har studiet av nätverksegenskaper vid Alzheimers sjukdom uppmärksammats av flera forskare. Bland dessa forskare finns Daianu et al. [25], Seo et al. [26], Jalili et al. [27], Sheng et al. [28] och Sulaiman et al. [29]. De tror att hjärnans nätverksanslutningsanalys ger en betydande förståelse för hur nervbanor bryts ner vid Alzheimers sjukdom. Till exempel, som rapporterats i studien av Yongxia Zhou et al., kunde funktionen hos nätverket i den lilla världen i hjärnbarken skilja mellan Alzheimerspatienter och MCI-patienter. I denna studie visade small-world-nätverket, som en av de selektiva egenskaperna i den ytliga vita substansen, förmågan att skilja AD från MCI, och det kunde användas för att förklara nedgången av minne och kognitiva funktioner, i enlighet med
resultaten av tidigare studier att förlust av små världsnätverksegenskaper förändras hos AD-patienter [30, 31, 32].
Dessutom kan PageRank-mätningen framhäva hjärnregionerna med ett högre antal externa länkar [33]. I vår studie var PageRank i frontal- och parietalregionerna en av de främsta identifierade egenskaperna för AD-diagnos och den kan spela en viktigare roll i hjärnan.
En av de viktigaste resultaten av studien är längden och antalet av de vänstra parietalloberna vid separationen av AD från MCI. Desikan et al.s studie nämnde vikten av parietallobsskada som en prediktor för progression från MCI till AD [34]. Trakografiresultaten från denna studie kan bekräfta slutsatsen från den tidigare studien i SWM-regionen. Eftersom MCI har en högre risk att utveckla AD än kontroller, kan undersökning av parietalloben vara en användbar indikator.
För att lägga till traktografifiynden i AD kontra MCI-jämförelser, observerades störningen i anslutningen mellan tinning- och parietalloberna och även limbiska och occipitallober i AD. Med ett annat ord kan kortdistansfiberanslutningar i temporoparietal vara ett viktigt fynd vid separationen av dessa två sjukdomar. Den temporoparietala spelar en viktig roll i mänskliga neurala funktioner på hög nivå [35] som kan skadas vid Alzheimers sjukdom. Desikan et al. undersökte atrofin i denna region i AD [34]. Resultaten av denna studie med en ny teknik och användning av funktionerna i DTI-metoden kan vara effektiva för att separera MCI från AD. En studie med funktionell magnetisk resonanstomografi (fMRI) visade att insula är nyckelregionen i mänskliga hjärnans nätverk och den mest sårbara regionen av AD [36]; den aktuella studien kan bekräfta dessa resultat i den ytliga vita substansen eftersom egenskaperna hos insula som anslutning, iso, Tzz och Txy är bland de utvalda och huvuddragen hos Alzheimerspatienter.
De flesta studier har rapporterat att DTI-värden ändras mellan AD- och MCI-grupperna. Klassificeringsnoggrannheten i denna studie mellan AD och MCI var 83,3 procent av den Gaussiska kärnan, som var den bästa kärnan för denna klassificering.
Som ett förslag för framtida forskning kommer det att vara intressant att inkludera andra modaliteter och biomarkörer i den multimodala studien såsom fMRI och elektroencefalogram (EEG), Positron emission tomography (PET) och CSF proteiner data med DTI data och kan också vara en av våra framtida mål.

5. Sammanfattning
Sammanfattningsvis utförde vi en metod för att automatiskt skilja mellan patienter med AD och MCI och friska kontroller. I denna studie visade vi att AD eller MCI kunde särskiljas från HC med hjälp av SWM-regionfunktioner genom DTI. Funktioner som erhålls från ROI, traktografi och anslutnings- och nätverksmetoder kan således hjälpa till att diagnostisera AD och MCI. Slutligen ger denna studie en bakgrund för att utvärdera de andra automatiserade klassificeringsmetoderna i dessa regioner.
5.1. Begränsningar
Urvalsstorleken i maskininlärning är en avgörande faktor som påverkar modellens prestanda. Studiens begränsning är det lilla urvalet av de inkluderade försökspersonerna.
Referenser
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, DTI och strukturell MRI-klassificering vid Alzheimers sjukdom, Adv. Mol. Imag. 2012 (2012).
[2] SA Eshkoor, TA Hamid, CY Mun, CK Ng, Mild kognitiv funktionsnedsättning och dess hantering hos äldre människor, Clin. Interv. Åldrande 10 (2015) 687–693.
[3] OR Phillips, SH Joshi, F. Piras, MD Orfei, M. Iorio, KL Narr, et al., Den ytliga vita substansen vid Alzheimers sjukdom, Hum. Hjärnkarta. 37 (4) (2016) 1321–1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Ändrad ytlig vit substans på traktografi MRI vid Alzheimers sjukdom, Demens Geriatr. Cognit. Oordning. Extra 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, Tillämpningen av medicinsk artificiell intelligensteknologi på landsbygden i utvecklingsländer, Health Equity 2 (1) (2018) 174–181.
[6] KD Davis, H. Flor, HT Greely, GD Iannetti, S. Mackey, M. Ploner, et al., Hjärnavbildningstester för kronisk smärta: medicinska, juridiska och etiska frågor och rekommendationer, Nat. Rev. Neurol. 13 (2017) 624.
[7] M. Dyba, M. Ewers, M. Wegrzyn, I. Kilimann, C. Plant, A. Oswald, et al., Combining DTI and MRI for the automated detection of Alzheimers disease using a large European multicenter dataset, in International Workshop on Multimodal Brain Image Analysis, Springer, 2012, s. 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long, et al., Skillnader mellan generaliserad Q-sampling imaging och diffusion tensor imaging i visualisering av korsande neurala fibrer i hjärnan, Surg. Radiol. Anat. 41 (9) (2019) 1019–1028.
[9] SY Lim, Y.-S. Tyan, Y.-P. Chao, F.-Y. Nien, J.-C. Weng, Nya insikter i den utvecklande kaninhjärnan med användning av diffusionstensortraktografi och generaliserad provtagnings-MRI, PLoS One 10 (3) (2015).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, Kartläggning av immuncellsinfiltration med MRI med begränsad diffusion, Magn. Reson. Med. 77 (2) (2017) 603–612.
[11] G. Prasad, TM Nir, AW Toga, PM Thompson, Tractography density and network measurements in Alzheimers disease, i: 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, Graph theory methods: applications in brain networks, Dialogues Clin. Neurosci. 20 (2) (2018) 111.
[14] O. Sporns, JD Zwi, The small world of the cerebral cortex, Neuroinformatics 2 (2) (2004) 145–162.[15] A. Nazeri, MM Chakravarty, TK Rajji, D. Felsky, DJ Rotenberg, M. Mason, et al.,
Ytlig vit substans som ett nytt substrat för åldersrelaterad kognitiv nedgång, Neurobiol. Åldrande 36 (6) (2015) 2094–2106.
[16] A. Nazeri, MM Chakravarty, D. Felsky, NJ Lobaugh, TK Rajji, BH Mulsant, et al., Ändringar av ytlig vit substans i schizofreni och relation till kognitiv prestation, Neuropsychopharmacology: Off. Publ. Am. College Neuropsychopharmacol. 38 (10) (2013) 1954.
[17] GC Ribas, The cerebral sulci and gyri, Neurosurg. Fokus 28 (2) (2010) E2. [18] J. Talairach, Co-planar Stereotaxic Atlas of the Human Brain-3-Dimensional Proportional System. An Approach to Cerebral Imaging, 1988.
[19] L. Yu, H. Liu, Funktionsval för högdimensionell data: en snabb korrelationsbaserad filterlösning, i Proceedings of the 20th International Conference on Machine Learning (ICML-03), 2003, s. 856–863.
[20] MW Browne, Cross-validation methods, J. Math. Psychol. 44 (1) (2000) 108–132.
[21] W. Zhu, N. Zeng, N. Wang, Sensitivitet, specificitet, noggrannhet, tillhörande konfidensintervall och ROC-analys med praktiska SAS-implementeringar, NESUG Proceed.: Health Life Sci. (Baltimore, Maryland) 19 (2010) 67.
[22] W. Van Hecke, L. Emsell, S. Sunaert, Diffusion Tensor Imaging: a Practical Handbook, Springer, 2015.
[23] B. Bigham, SA Zamanpour, F. Zemorshidi, F. Boroumand, H. Zare, Alzheimers sjukdom Neuroimaging Initiative. Identifiering av ytliga vita substansavvikelser vid Alzheimers sjukdom och mild kognitiv försämring med användning av diffusionstensoravbildning, J. Alzheimers Dis. Rep. 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou, et al., Skillnader mellan generaliserad q-sampling imaging och diffusion tensor imaging i preoperativ visualisering av nervfibern trakter inom peritumoralt ödem i hjärnan, Neurokirurgi 73 (6) (2013) 1044–1053.
[25] M. Daianu, EL Dennis, N. Jahanshad, TM Nir, AW Toga, CR Jack, et al., Alzheimers sjukdom stör rika klubborganisationer i hjärnanslutningsnätverk, i: 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, et al., Funktionella nätverk i hela hjärnan vid kognitivt normal, mild kognitiv funktionsnedsättning och Alzheimers sjukdom, PLoS One 8 (1) (2013).
[27] M. Jalili, Grafteoretisk analys av Alzheimers sjukdom: diskriminering av AD-patienter från friska försökspersoner, Inf. Sci. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Identifiering och karakterisering av olika stadier mot Alzheimers sjukdom med hjälp av ordnade kärnfunktioner och maskininlärning, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, PM Thompson, et al., Predicting brain network changes in Alzheimers disease with link prediction algorithms, Mol. Biosyst. 13 (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang, et al., Abnormal cortical networks in mild cognitive impairment and Alzheimers disease, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Strukturella insikter i avvikande topologiska mönster av storskaliga kortikala nätverk vid Alzheimers sjukdom, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Neuronala nätverk vid Alzheimers sjukdom, Neuroscientist 15 (4) (2009) 333–350.
[33] A. Ebadi, JL Dalboni da Rocha, DB Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho, et al., Ensemble classification of Alzheimers disease and mild cognitive impairment based on complex graph measurements from diffusion tensor bilder, Front. Neurosci. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman, et al., Temporoparietal MR imaging mätningar av atrofi hos patienter med mild kognitiv funktionsnedsättning som förutsäger en efterföljande diagnos av Alzheimers sjukdom, Am. J. Neuroradiol. 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, Spåra korta anslutningar av den temporoparieto-occipital regionen i den mänskliga hjärnan med hjälp av diffusionsspektrumavbildning och fiberdissektion, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song, et al., Altered functional connectivity of insular subregions in Alzheimers disease, Front. Åldrande neurosci. 10 (2018) 107.






