Egenskaper ved den overfladiske hvite substansen som biomarkører for påvisning av Alzheimers sykdom og mild kognitiv svikt

Kontakt: emily.li@wecistanche.com

Bahare Bigham, et al

Abstrakt:

Bakgrunn:

Med utviklingen av medisinsk bildebehandling og prosesseringsverktøy, har nøyaktig diagnose av sykdommer blitt muliggjort av intelligente systemer. På grunn av den bemerkelsesverdige evnen til støttevektormaskiner (SVM-er) for sykdommersdiagnostikk, har det blitt utført omfattende forskning ved bruk av SVM-algoritmen for klassifisering avAlzheimerssykdom(AD) og mild kognitiv svikt (MCI).

Mål:

I denne studien brukte vi en automatisert metode for å klassifisere pasienter medAlzheimersSykdomog MCI og sunne kontroll (HC) emner basert på diffusjonstensor imaging (DTI) funksjoner i den overfladiske hvite substansen (SWM).

Deltakere:

For dette formålet ble DTI-data lastet ned fraAlzheimersSykdomNeuroimaging Initiative (ADNI). Denne metoden brukte DTI-data fra 72 personer: 24 personer med HC, 24 personer med MCI og 24 personer med AD.

Målinger: DTI-behandling ble utført ved bruk av DSI Studio-programvare og alle maskinlæringsanalyser ble utført ved bruk av MATLAB-programvare.

Resultater:

Den lineære kjernen til SVM var den beste klassifisereren, med en nøyaktighet på 95,8 prosent mellomAlzheimersSykdomog HC-grupper, etterfulgt av den kvadratiske kjernen til SVM med en nøyaktighet på 83,3 prosent mellom MCI- og HC-gruppene, og den Gaussiske kjernen til SVM med en nøyaktighet på 83,3 prosent mellom AD- og MCI-gruppene. Konklusjoner: Gitt viktigheten av å diagnostisere AD og MCI samt rollen til overfladisk hvit substans i diagnostisering av nevrodegenerative sykdommer, diskuteres i denne studien funksjonene til forskjellige DTI-metoder til SWM, som kan være et nyttig verktøy for å hjelpe ved diagnostisering av AD og MCI.

Nøkkelord: Støtte vektormaskin, diffusjonstensoravbildning,Alzheimerssykdom, mild kognitiv svikt, overfladisk hvit substans

Klikk her for å få mer informasjon om Cistanche for Alzheimers sykdom

1. Introduksjon

På grunn av økningen i den aldrende befolkningen, nøyaktig og effektiv påvisning avAlzheimers sykdom(AD) har blitt en viktig samfunnssak [1]. Mild kognitiv svikt (MCI) er en tilstand mellom normal aldringsrelatert kognitiv nedgang og den mer alvorlige nedgangen av demens. Siden det ikke finnes noen spesifikk kur for MCI og det er høy risiko for progresjon til demens, er diagnostisering og forebygging av sykdommen svært viktig [2].

Nevrodegenerativ sykdom rammer ofte visse områder av hjernen. Overfladisk hvit substans (SWM) er en av regionene som har vist seg å være svært sårbare for mange sykdommer, ifølge retrogenesemodellen [3, 4]. I denne studien utviklet vi en støttevektormaskin (SVM) modell som klassifiserer HC-, MCI- og AD-emner basert på funksjonene til SWM.

På grunn av utviklingen av automatisk systemteknologi innen ulike felt innen medisinsk vitenskap, hjelper maskinlæringssystemer leger med å automatisk diagnostisere sykdommer [5]. SVM, som en overvåket maskinlæringsteknikk, er et veldig kraftig verktøy innen big data-analyse [1].

Hjerneavbildningsteknikker er allment ansett for å ha potensialet for diagnostisering av hjernesykdom. Ved å bruke disse teknikkene kan problemer i den menneskelige hjernen identifiseres, uten behov for invasiv nevrokirurgi. For tiden brukes flere aksepterte trygge bildeteknikker i forskningssentre og sykehus rundt om i verden [6]. Diffusjonstensoravbildning (DTI) er en ny MR-basert nevroavbildningsteknikk som gjør det mulig å vurdere nevronal fiberkanals integritet [7].

DTI-datarekonstruksjon kan deles inn i to kategorier: modellfrie og modellbaserte metoder. Modellbaserte metoder som DTI-rekonstruksjon antar at formen på vanndiffusjon følger et 3D Gauss-mønster, men det er ingen antagelse om fordelingen i den modellfrie metoden, slik som q-space diffeomorphic reconstruction (QSDR) metoden. QSDR-metoden rekonstruerer data i Montreal Neurological Institute (MNI) plass [8]. DSI Studio-programvaren (www. dsi-s tudio.labsolver.org) støtter både modellbaserte og modellfrie rekonstruksjonsmetoder.

Ulike målinger er avledet fra DTI-rekonstruksjonsmetoden, inkludert gjennomsnittlig diffusivitet (MD), fraksjonell anisotropi (FA), aksial diffusivitet (AxD) og radiell diffusivitet (RD). Tetthetsbaserte målinger avledet fra QSDR-rekonstruksjonsmetoden inkluderer kvantitativ anisotropi (QA), isotropisk verdi (ISO), begrenset diffusjonsavbildning (RDI) og så videre.

QA er en beregning for å kvantifisere spinnpopulasjonen i en spesifikk retning og løste fiberpopulasjonen (spesifikt kryssende fibre). Den normaliserte QA-skalaen (QA) beregnes ved å normalisere den maksimale QA-verdien til én slik at QA kan være mer sammenlignbar på tvers av faget [9].

RDI er en metode for å kvantifisere tettheten av begrenset diffusjon med hensyn til diffusjonsforskyvningsområdet (f.eks. 10 mikron) [10].

Evnen til å estimere hoveddiffusjonsretningen ved hjelp av tensoren har også gitt traktografiteknikken, som har blitt brukt for å beregne tilkoblingsmatrisen og nettverksmål [11].

Hjernen er representert som et komplekst nettverk bestående av nevroner og hjerneregioner som er strukturelt og funksjonelt relatert. Et hjernenettverk (eller graf) består av noder (som representerer nevroner eller hjerneregioner) forbundet med linjer (forbindelse mellom hjerneregioner) [12].

Nettverksvitenskap kan hjelpe til med å redusere kompleksiteten i den analytiske hjernearkitekturen og forstå hjernens tilkoblingsmønstre og kan gi informasjon om kliniske lidelser [13].

Nettverksmålinger inkluderer assortativitet, effektivitet, PageRank, betweenness, small-world network, og så videre; de brukes til å bedre forstå strukturen og funksjonen til den menneskelige hjernen som et nettverk [14].

Bare noen få studier har brukt forskjellige analysetilnærminger som region av interesse (ROI), traktografi og tilkobling og nettverk i både DTI- og QSDR-rekonstruksjon. Vi brukte SVM-teknikken basert på funksjoner ekstrahert fra den overfladiske hvite substansen ved de ovennevnte analysemetodene for automatisert binær deteksjon av AD og MCI, AD og HC, og MCI og HC.

2. Materialer og metoder

Dataene som presenteres i denne artikkelen er hentet fra en M.Sc. avhandling og ble gjennomgått og godkjent av den etiske komiteen ved Mashhad University of Medical Sciences (Etisk nummer: IR.MUMS.MEDICAL.REC.1397.320).

Fremgangsmåten er som følger:

2.1. Datainnsamling

Data fra de 72 deltakerne i de tre gruppene ble lastet ned fraAlzheimersSykdomNeuroimaging Initiative (ADNI) database. Emner i denne studien inkludert emner fra AD (n ¼ 24), MCI (n ¼ 24) og kontroll (n ¼ 24) gruppene ble rekruttert fra ADNI2-prosjektet.

En helhjerne-DTI av forsøkspersonene ble generert fra ADNI2-prosjektet med følgende skanneparametere: Produsent ¼ GE MEDICAL SYSTEMS; Matrise X ¼ 256.0 piksler; Matrise Y ¼ 256.0 piksler; Matrise Z ¼ 2714.0; Pikselstørrelse X ¼ 1,4 mm; Pikselstørrelse Y ¼ 1,4 mm; PulseSequence ¼ EP/SE; repetisjonstid (TR) på 13000 ms, ekkotid (TE) på 68,3 ms, vippevinkel på 90, feltstyrken på 3,0, skivetykkelse på 2,7 mm, 41 ikke-kollineære retninger med en b -verdi på 1000 s/mm2, og 5 bilder uten diffusjonsvekting. I tillegg til bildene ble også kliniske og nevropsykologiske data fra forsøkspersoner lastet ned.

2.2. DTI-behandling

For hver rådata ble følgende hovedtrinn utført for å trekke ut funksjonene til DTI-teknikkene i SWM (vises i figur 1). Alle disse prosessene ble utført ved hjelp av DSI Studio-programvare (utviklet av Fang-Cheng Yeh fra Advanced Biomedical MRI Lab, National Taiwan University Hospital, Taiwan, støttet av Fiber Tractography Lab.

2.2.1. Forbehandlings- og rekonstruksjonstrinn

Før DTI-parametermåling ble korrigering av hodebevegelse og virvelstrøm og hodeskallestripping utført. For hodeskallestripping og filtrering av bakgrunnsregionen brukte vi maskene levert av DSI Studio. Så i neste trinn brukte vi to forskjellige rekonstruksjonsmetoder inkludert modellbase (DTI) og gratis modell (QSDR) alternativ i DSI Studio; med to ulike holdninger til å bearbeide diffusjonsbildene.

2.2.2. ROI-tilnærming

Etter rekonstruksjonstrinnet ble forskjellige DTI-parametere hentet fra ROI, traktografi og tilkobling, og nettverksmetoder. ROI er identiteten for et bestemt formål, SWM-regionen i den nåværende studien. Masken (i MNI-rommet) i denne regionen ble hentet fra en lignende studie av Arash Nazeri et al [15, 16].

I henhold til inndelingen av hjerneregioner i Terminologia Anatomica 1998 [17] og Terminologia Neuroanatomica 2017 (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca. Federative International Program for Anatomical Terminology, februar 2017), delte vi inn SWM-regionen i 12 anatomiske regioner inkludert frontale, parietale, temporale, occipitale, limbiske og insulære lober (på hver side) av Talairach Atlas [18] (Figur 2). Disse regionene ble bekreftet av to erfarne radiologer. Til slutt la vi til underregioner SWM-atlas for bedre og enklere tilgang til DSI-Studio programvareatlas. Totalt ble 12 SWM-regioner og gjennomsnittlige DTI- og QSDR-verdier beregnet for hver region.

2.2.3. Tractography tilnærming

For å trekke ut traktografiparametrene ble FA- og QA-indekser brukt for DTI- og QSDR-rekonstruksjon for å bestemme henholdsvis fibersporingsterskelen. Opprinnelig ble SWM-regioner (som ROI) plassert og traktografi ble utført separat fra regionene. Trakografien av hver SWM-region ble utført med 100000 frø, tilfeldig generert ved subvoxel-posisjonene, og frøene ble plassert på tvers av alle SWM-regionene, med en trinnstørrelse på 0 (0,5 voxels) til 1,5 voxel-avstand) og en utjevningsverdi på 1. Sporingen fra primærfiberen til et såpunkt ble satt til strømlinjeforming (Euler), og retningsinterpolasjonen ble satt til trilineær. Fiberlengdeområdet ble satt mellom 30 og 300 mm.

2.2.4. Tilkobling og nettverksanalyse

Etter å ha utført traktografi, ble den strukturelle tilkoblingen mellom hjernens SWM-regioner og hjernenettverkstiltakene oppnådd ved QSDR-rekonstruksjonsmetoden. For å gjøre dette ble alternativet "Tilkoblingsmatrise" brukt til å trekke ut tilkoblings- og nettverksparametrene. Slik at etter å ha utført en traktografi av hele hjernen, ble sammenkoblingsmålinger mellom regionene i SWM evaluert basert på antall forbindelser. Den målte informasjonen fra nettverket (som effektivitet, assortativitet, mellomhet, etc.) ble også hentet fra forskjellige SWM-regioner.

2.3. Klassifiseringsmetoder

Vi inkluderte DTI-parametrene for både rekonstruksjon og målte parametere fra ROI, traktografi, tilkobling og nettverksmetoder (dvs. FA, MD, RD, AxD og QA, QA, iso, RDI, nettverksverdier og en rekke tilkoblinger mellom hjerneområdene). For hver gruppe ble konvertert til CSV-filer for å gå inn i MATLAB-programvare for klassifiseringen. Funksjoner hentet fra hver besto av 504 funksjoner i ROI-metoden, 576 funksjoner i traktografimetoden og 702 funksjoner i tilkoblings- og nettverksmetoden. Etter å ha sortert funksjonene, ble vektoren av funksjoner for hvert emne estimert fra funksjonene fra 1782. For å forberede funksjonsmatrisene som input til SVM-klassifiseringsmodellen, ble intergruppematriser (HC-AD, HC-MCI og MCI-AD) med spesifikke etiketter for hver gruppe opprettet.

Alle maskinlæringsanalyser ble utført ved bruk av MATLAB-programvare (R2014a). Trinnene kan deles inn i følgende flytskjema (som vist i figur 3).

Etter DTI-databehandling, funksjonsutvinning og funksjonsvektoroppretting ble funksjonsvalg utført.

2.3.1. Funksjonsvalg

I denne nevroimaging-forskningen var antallet funksjoner per forsøksperson veldig høyt. Så for å identifisere de mest relevante funksjonene (eller parametrene) for klassifiseringen, brukte vi en metode basert på et hurtigkorrelasjonsbasert filter (FCBF), som er en funksjonsvalgmetode for høydimensjonale data [19].

Etter DTI-behandling utføres funksjonsvalg ved hjelp av FCBF-metoder og brukes i SVM for binær klassifisering.

2.3.2. Læring og klassifisering

Etter funksjonsvalg utførte vi en intern 5-fold kryssvalidering for treningsdataene og brukte SVM-algoritmen ved å bruke binær klassifisering mellom de tre gruppene. Kryssvalidering er en modellvalideringsteknikk som brukes for å sikre ytelsesgeneralisering; det er også en re-sampling metode som brukes for å vurdere en modell hvis vi har begrenset data [20]. Totalt evaluerte vi de lineære, kvadratiske, kubiske og gaussiske kjernene (fin, middels, grov). På grunn av de bedre resultatene i lineære, kvadratiske og gaussiske kjerner og for å redusere kompleksiteten til studien, rapporterte vi resultatene av disse tre kjernene. Til slutt viser vi mottakerdriftskarakteristikken (ROC) og arealet under kurven (AUC) for den beste kjernen i hver klassifisering (som vist i figur 4).

2.3.3. Evaluering

Når SVM-algoritmen er trent, brukes resultatene inkludert nøyaktighet, spesifisitet og sensitivitet, som er definert som følger, for å evaluere klassifiseringsytelsen.

Generelt i disse ligningene refererer sann positiv (TP) til antall pasienter som er predikert riktig, falsk positiv (FP) refererer til antall friske kontroller som er spådd feil som pasienter, sann negativ (TN) refererer til antall friske kontroller predikert riktig , og falsk negativ (FN) refererer til antall pasienter som feilaktig er spådd som friske [21].

3. Resultat

3.1. Demografiske og kliniske egenskaper

Demografi og de kliniske skårene til deltakerne er vist i tabell 1. Det var ingen signifikante forskjeller (P > 0.05) mellom de tre gruppene med hensyn til alder og kjønn (se tabell 1). Skårene for mini-mental tilstandsundersøkelse (MMSE), Global klinisk demensvurdering (CDR) og Functional Activities Questionnaire (FAQ) var signifikant forskjellig blant de tre gruppene. Statistisk analyse av den grunnleggende informasjonen ble utført ved bruk av SPSS 24.

3.2. De selektive egenskapene til overfladisk hvit substans

FCBF-metoden for funksjonsvalg viste 8 funksjoner for klassifiseringen av MCI og HC, 25 funksjoner for klassifiseringen av AD og HC, og 17 funksjoner for klassifiseringen av AD og MCI (tabell 2). Figur 5 viser antall selektive funksjoner ved de forskjellige metodene til DTI.

3.3. Klassifiseringen ytelse

Gjennomsnittlig nøyaktighet, sensitivitet og spesifisitet ble rapportert som resultatene av denne studien. Den lineære kjernen til SVM var den beste klassifikatoren, med en nøyaktighet på 95,8 prosent , en sensitivitet på 95,8 prosent og en spesifisitet på 95,8 prosent mellom AD- og HC-gruppene, etterfulgt av den kvadratiske kjernen til SVM med en nøyaktighet på 83,3 prosent , en sensitivitet på 94,4 prosent og en spesifisitet på 76,6 prosent mellom MCI- og HC-gruppene og den gaussiske kjernen til SVM med en nøyaktighet på 83,3 prosent, en sensitivitet på 80,7 prosent og en spesifisitet på 86,3 prosent mellom AD- og MCI-gruppene) som vist i tabell 1). Figur 6 viser sammenligningen mellom de tre kjernene og finner den beste kjernen i enhver parklassifisering (se tabell 3).

4. Diskusjon

Det finnes ulike metoder for å analysere DTI-data, og hver metode har sine styrker og svakheter. I denne studien brukte vi tre metoder, nemlig ROI, traktografi, tilkobling og nettverksanalyse, for å oppnå egenskapene til den overfladiske hvite substansen [22].

Den overfladiske hvite substansen er en av regionene som har vist seg å være svært sårbare for mange sykdommer, ifølge retrogenesemodellen [23]. Av denne grunn har dette området blitt undersøkt i denne studien.

Det er utført flere studier for å skille mellom individer med AD og MCI og friske individer, og mange forskere er interessert i å finne metoder for å skille disse tre gruppene. I den nåværende studien brukte vi en automatisert metode for å klassifisere emner med AD og MCI, og HC-emner basert på DTI-funksjoner i SWM.

Det er viktig å merke seg at fiberarkitekturen til SWM (som inneholder flere fiberpopulasjoner kalt "kryssende fibre") viser en mer kompleks rekkefølge enn den dype hvite substansen (Figur 7). Av denne grunn ser det ut til at det er nødvendig å bruke QSDR-rekonstruksjonsteknikken, fordi modellfrie metoder er mer nøyaktige i voxels som inneholder flere fiberpopulasjoner sammenlignet med modellbaserte metoder [24]. For dette formålet brukte vi QSDR-teknikken sammen med DTI-rekonstruksjonsteknikken.

På grunn av utviklingen av intelligente systemer i ulike vitenskaper, ble det utviklet et maskinlæringssystem for parklassifisering mellom de tre gruppene. Så vidt vi vet, er dette den første studien som bruker en støttevektormaskin for å identifisere funksjonene til DTI-teknikkene i SWM.

Resultatene våre fra kontrollen versus MCI-klassifiseringen viste at den kvadratiske kjernen var den beste kjernen for denne klassifiseringen, med en nøyaktighet på 83,3 prosent. Diskrimineringen mellom AD-pasienter og eldre kontroller viste 95,8 prosent nøyaktighet av den lineære kjernen. Tilkoblingsparametere viste stor betydning i de valgte funksjonene. Et eksempel på disse forbindelsene er vist i figur 8.

Generelt kan undersøkelser av funksjoner i hjernenettverk gi forskere informasjon om de fleste nevrodegenerative sykdommer, inkludert AD og MCI. Nylig har studiet av nettverksegenskaper ved Alzheimers sykdom tiltrukket seg oppmerksomheten til flere forskere. Blant disse forskerne er Daianu et al. [25], Seo et al. [26], Jalili et al. [27], Sheng et al. [28], og Sulaiman et al. [29]. De mener at hjernenettverks tilkoblingsanalyse gir en betydelig forståelse av hvordan nevrale veier brytes ned ved Alzheimers sykdom. For eksempel, som rapportert i studien til Yongxia Zhou et al., var funksjonen til det lille verdensnettverket i hjernebarken i stand til å skille mellom Alzheimers-pasienter og MCI-pasienter. I denne studien viste small-world-nettverket, som en av de selektive funksjonene i den overfladiske hvite substansen, evnen til å skille AD fra MCI, og det kunne brukes til å forklare nedgangen i hukommelse og kognitive funksjoner, i samsvar med

funnene fra tidligere studier om at tap av små-verdens nettverkskarakteristikker er endret hos AD-pasienter [30, 31, 32].

PageRank-målingen kan også fremheve hjerneregionene med et høyere antall eksterne lenker [33]. I vår studie var PageRank i frontale og parietale regioner en av de beste identifiserte funksjonene for AD-diagnose, og den kan spille en viktigere rolle i hjernen.

Et av de viktigste funnene i studien er lengden og antallet av venstre parietallapp i separasjonen av AD fra MCI. Desikan et al.s studie nevnte viktigheten av parietallappskade som en prediktor for progresjon fra MCI til AD [34]. Trakografiresultatene fra denne studien kan bekrefte konklusjonen fra den forrige studien i SWM-regionen. Fordi MCI har høyere risiko for å utvikle AD enn kontroller, kan undersøkelse av parietallappen være en nyttig indikator.

I tillegg til traktografi-funnene i AD versus MCI-sammenligninger, ble forstyrrelsen i forbindelsen mellom tinning- og parietallappene og også limbiske og oksipitale lober observert i ADs. Med et annet ord, kortdistanse fiberforbindelser i temporoparietal kan være et viktig funn i separasjonen av disse to sykdommene. Den temporoparietale spiller en viktig rolle i høyt nivå menneskelige nevrale funksjoner [35] som kan bli skadet ved Alzheimers sykdom. Desikan et al. undersøkte atrofien til denne regionen i AD [34]. Resultatene av denne studien med en ny teknikk og bruk av funksjonene til DTI-metoden kan være effektive for å skille MCI fra AD. En funksjonell magnetisk resonansavbildning (fMRI) studie viste at insula er nøkkelregionen i menneskelige hjernenettverk og den mest sårbare regionen av AD [36]; denne studien kan bekrefte disse resultatene i den overfladiske hvite substansen fordi funksjonene til insula som tilkobling, iso, Tzz og Txy er blant de utvalgte og hovedtrekkene til Alzheimers pasienter.

De fleste studier har rapportert at DTI-verdier endres mellom AD- og MCI-gruppene. Klassifiseringsnøyaktigheten i denne studien mellom AD og MCI var 83,3 prosent av den Gaussiske kjernen, som var den beste kjernen for denne klassifiseringen.

Som et forslag for fremtidig forskning vil det være interessant å inkludere andre modaliteter og biomarkører i den multimodale studien som fMRI og elektroencefalogram (EEG), Positron emisjonstomografi (PET), og CSF proteiner data med DTI data og kan også være en av våre fremtidige mål.

5. Konklusjon

Avslutningsvis utførte vi en metode for automatisk å skille mellom pasienter med AD og MCI og friske kontroller. I denne studien demonstrerte vi at AD eller MCI kunne skilles fra HC ved å bruke SWM-regionfunksjoner gjennom DTI. Dermed kan funksjoner hentet fra ROI, traktografi og tilkoblings- og nettverksmetoder hjelpe til med diagnostisering av AD og MCI. Til slutt gir denne studien en bakgrunn for å evaluere de andre automatiserte klassifiseringsmetodene i disse regionene.

5.1. Begrensninger

Prøvestørrelsen i maskinlæring er en avgjørende faktor som påvirker modellens ytelse. Studiebegrensningen er den lille utvalgsstørrelsen til de inkluderte fagene.

Referanser
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, DTI og strukturell MR-klassifisering ved Alzheimers sykdom, Adv. Mol. Imag. 2012 (2012).
[2] SA Eshkoor, TA Hamid, CY Mun, CK Ng, Mild kognitiv svikt og dens behandling hos eldre mennesker, Clin. Interv. Aldring 10 (2015) 687–693.
[3] OR Phillips, SH Joshi, F. Piras, MD Orfei, M. Iorio, KL Narr, et al., The superficial white matter in Alzheimer's disease, Hum. Hjernekart. 37 (4) (2016) 1321–1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Altered superficial white matter on tractography MRI in Alzheimer's disease, Dementia Geriatr. Kognit. Uorden. Ekstra 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, Anvendelsen av medisinsk kunstig intelligens-teknologi i landlige områder i utviklingsland, Health Equity 2 (1) (2018) 174–181.
[6] KD Davis, H. Flor, HT Greely, GD Iannetti, S. Mackey, M. Ploner, et al., Brain imaging tests for chronic pain: medical, legal and ethical issues and recommendations, 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., Forskjeller mellom generalisert Q-sampling imaging og diffusjonstensor imaging i visualisering av kryssende nevrale fibre i hjernen, Surg. Radiol. Anat. 41 (9) (2019) 1019–1028.
[9] SY Lim, Y.-S. Tyan, Y.-P. Chao, F.-Y. Nien, J.-C. Weng, Ny innsikt i den utviklende kaninhjernen ved bruk av diffusjonstensortraktografi og generalisert prøvetaking MR, PLoS One 10 (3) (2015).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, Kartlegging av immuncelleinfiltrasjon ved bruk av begrenset diffusjons-MR, 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.,
Overfladisk hvit substans som et nytt substrat for aldersrelatert kognitiv nedgang, Neurobiol. Alder 36 (6) (2015) 2094–2106.
[16] A. Nazeri, MM Chakravarty, D. Felsky, NJ Lobaugh, TK Rajji, BH Mulsant, et al., Alterations of superficial white matter in schizophrenia and relationship to cognitive performance, Neuropsychopharmacology: Off. Publ. Er. 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-dimensjonalt proporsjonalt system. An Approach to Cerebral Imaging, 1988.
[19] L. Yu, H. Liu, Funksjonsvalg for høydimensjonale data: en rask korrelasjonsbasert filterløsning, 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, spesifisitet, nøyaktighet, tilhørende konfidensintervall og ROC-analyse med praktiske SAS-implementeringer, 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, Alzheimer's Disease Neuroimaging Initiative. Identifikasjon av overfladiske hvite substansabnormiteter ved Alzheimers sykdom og mild kognitiv svikt ved bruk av diffusjonstensoravbildning, J. Alzheimers Dis. Rep. 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou, et al., Forskjeller mellom generalisert q-sampling imaging og diffusjonstensor imaging i preoperativ visualisering av nervefiberen trakter innenfor peritumoralt ødem i hjernen, Nevrokirurgi 73 (6) (2013) 1044–1053.
[25] M. Daianu, EL Dennis, N. Jahanshad, TM Nir, AW Toga, CR Jack, et al., Alzheimers sykdom forstyrrer rik klubborganisasjon i hjernetilkoblingsnettverk, 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., Helhjernefunksjonelle nettverk ved kognitiv normal, mild kognitiv svikt og Alzheimers sykdom, PLoS One 8 (1) (2013).
[27] M. Jalili, Grafteoretisk analyse av Alzheimers sykdom: diskriminering av AD-pasienter fra friske forsøkspersoner, Inf. Sci. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Identifisering og karakterisering av ulike stadier mot Alzheimers sykdom ved bruk av ordnede kjernefunksjoner og maskinlæring, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, PM Thompson, et al., Predicting brain network changes in Alzheimer's disease with link prediction algorithms, Mol. Biosystem. 13 (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang, et al., Abnormale kortikale nettverk ved mild kognitiv svikt og Alzheimers sykdom, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Strukturell innsikt i avvikende topologiske mønstre av storskala kortikale nettverk ved Alzheimers sykdom, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Neuronal networks in Alzheimer's disease, 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, foran. Neurosci. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman, et al., Temporoparietal MR imaging-mål for atrofi hos personer med mild kognitiv svikt som forutsier en påfølgende diagnose av Alzheimers sykdom, Am. J. Neuroradiol. 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, Sporing av korte forbindelser av den temporoparieto-occipitale regionen i den menneskelige hjernen ved bruk av diffusjonsspekteravbildning og fiberdisseksjon, 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 Alzheimer's disease, Front. Aldrende Neurosci. 10 (2018) 107.