Značajke površinske bijele tvari kao biomarkera za otkrivanje Alzheimerove bolesti i blagog kognitivnog oštećenja

Kontakt: emily.li@wecistanche.com

Bahare Bigham, et al

Sažetak:

Pozadina:

S razvojem medicinskih alata za snimanje i obradu, točnu dijagnozu bolesti omogućili su inteligentni sustavi. Zahvaljujući izvanrednoj sposobnosti strojeva za potporne vektore (SVM) za dijagnozu bolesti, provedena su opsežna istraživanja korištenjem SVM algoritma za klasifikacijuAlzheimerova bolestbolest(AD) i blago kognitivno oštećenje (MCI).

Ciljevi:

U ovoj studiji primijenili smo automatiziranu metodu za klasifikaciju pacijenata sAlzheimerova bolestBolesti MCI i zdravi kontrolni (HC) ispitanici na temelju značajki difuzijskog tenzorskog oslikavanja (DTI) u površinskoj bijeloj tvari (SWM).

Sudionici:

U tu svrhu DTI podaci preuzeti su sAlzheimerova bolestBolestInicijativa za neuroimaging (ADNI). Ova metoda je koristila DTI podatke od 72 ispitanika: 24 ispitanika s HC, 24 ispitanika s MCI i 24 ispitanika s AD.

Mjerenja: DTI obrada provedena je pomoću softvera DSI Studio, a sve analize strojnog učenja provedene su pomoću softvera MATLAB.

Rezultati:

Linearna jezgra SVM-a bila je najbolji klasifikator, s točnošću od 95,8 posto izmeđuAlzheimerova bolestBolesti HC skupine, nakon čega slijedi kvadratna jezgra SVM-a s točnošću od 83,3 posto između MCI i HC skupina, te Gaussova jezgra SVM-a s točnošću od 83,3 posto između AD i MCI skupina. Zaključci: S obzirom na važnost dijagnosticiranja AD i MCI, kao i ulogu površinske bijele tvari u dijagnostici neurodegenerativnih bolesti, u ovoj se studiji raspravlja o značajkama različitih DTI metoda SWM-a, koje bi mogle biti koristan alat za pomoć u dijagnostici AD i MCI.

Ključne riječi: Nosivi vektorski stroj, Difuzijski tenzorski prikaz,Alzheimerova bolestbolest, blago kognitivno oštećenje, Površinska bijela tvar

Kliknite ovdje za više informacija o Cistancheu za Alzheimerovu bolest

1. Uvod

Zbog povećanja broja starijih stanovnika, točna i učinkovita detekcijaAlzheimerova bolest(AD) je postalo važno pitanje u društvu [1]. Blago kognitivno oštećenje (MCI) stanje je između normalnog kognitivnog opadanja povezanog sa starenjem i ozbiljnijeg opadanja demencije. Budući da ne postoji specifičan lijek za MCI i postoji visok rizik od progresije do demencije, dijagnoza i prevencija bolesti su vrlo važni [2].

Neurodegenerativna bolest često zahvaća određene regije mozga. Površinska bijela tvar (SWM) jedno je od područja za koje je utvrđeno da su vrlo ranjive na mnoge bolesti, prema modelu retrogeneze [3, 4]. U ovoj smo studiji razvili model potpornog vektorskog stroja (SVM) koji klasificira HC, MCI i AD subjekte na temelju značajki SWM-a.

Zbog razvoja tehnologije automatskih sustava u raznim područjima medicinskih znanosti, sustavi strojnog učenja pomažu liječnicima u automatskom dijagnosticiranju bolesti [5]. SVM, kao tehnika nadziranog strojnog učenja, vrlo je moćan alat u analitici velikih podataka [1].

Općenito se smatra da tehnike snimanja mozga imaju potencijal za dijagnozu bolesti mozga. Pomoću ovih tehnika mogu se identificirati problemi u ljudskom mozgu, bez potrebe za invazivnom neurokirurgijom. Trenutno se u istraživačkim centrima i bolnicama diljem svijeta koristi nekoliko prihvaćenih sigurnih tehnika snimanja [6]. Diffusion tensor imaging (DTI) nova je tehnika neuroslikanja temeljena na MRI-u koja omogućuje procjenu integriteta trakta neuronskih vlakana [7].

DTI rekonstrukcija podataka može se podijeliti u dvije kategorije: metode bez modela i metode temeljene na modelu. Metode temeljene na modelu kao što je DTI rekonstrukcija pretpostavljaju da oblik difuzije vode slijedi 3D Gaussov uzorak, ali ne postoji pretpostavka o distribuciji u metodi bez modela kao što je metoda difeomorfne rekonstrukcije q-prostora (QSDR). QSDR metoda rekonstruira podatke u prostoru Montrealskog neurološkog instituta (MNI) [8]. Softver DSI Studio (www. dsi-s tudio.labsolver.org) podržava metode rekonstrukcije temeljene na modelu i metode rekonstrukcije bez modela.

Različita mjerenja izvedena su iz DTI metode rekonstrukcije uključujući srednju difuznost (MD), frakcijsku anizotropiju (FA), aksijalnu difuznost (AxD) i radijalnu difuznost (RD). Mjerenja temeljena na gustoći izvedena iz QSDR metode rekonstrukcije uključuju kvantitativnu anizotropiju (QA), izotropnu vrijednost (ISO), ograničenu difuzijsku sliku (RDI) i tako dalje.

QA je metrika za kvantificiranje populacije vrtnje u određenom smjeru i razlučenost populacije vlakana (posebno križanja vlakana). Normalizirana ljestvica QA (QA) izračunava se normalizacijom maksimalne QA vrijednosti na jedan tako da QA može biti usporediviji u subjektu [9].

RDI je metoda za kvantificiranje gustoće ograničene difuzije s obzirom na raspon difuzijskog pomaka (npr. 10 mikrona) [10].

Sposobnost procjene glavnog smjera difuzije korištenjem tenzora također je dovela do tehnike traktografije, koja je primijenjena za izračun matrice povezanosti i mrežnih mjera [11].

Mozak je predstavljen kao složena mreža koja se sastoji od neurona i moždanih regija koje su strukturno i funkcionalno povezane. Moždana mreža (ili graf) sastoji se od čvorova (koji predstavljaju neurone ili regije mozga) povezanih linijama (povezanost između regija mozga) [12].

Znanost o mreži može pomoći u smanjenju složenosti analitičke arhitekture mozga i razumijevanju obrazaca povezivanja mozga te može pružiti informacije o kliničkim poremećajima [13].

Mjerenja mreže uključuju asortativnost, učinkovitost, PageRank, između, mrežu malog svijeta i tako dalje; koriste se za bolje razumijevanje strukture i funkcije ljudskog mozga kao mreže [14].

Samo je nekoliko studija koristilo različite pristupe analizi kao što su interesna regija (ROI), traktografija te povezanost i mreža u DTI i QSDR rekonstrukciji. Primijenili smo SVM tehniku ​​koja se temelji na značajkama ekstrahiranim iz površinske bijele tvari gore navedenim metodama analize za automatizirano binarno otkrivanje AD i MCI, AD i HC te MCI i HC.

2. Materijali i metode

Podaci predstavljeni u ovom članku preuzeti su iz mr.sc. disertaciju te ju je pregledao i odobrio Etički odbor Sveučilišta medicinskih znanosti Mashhad (Etički broj: IR.MUMS.MEDICAL.REC.1397.320).

Koraci su sljedeći:

2.1. Prikupljanje podataka

Podaci 72 sudionika triju skupina preuzeti su sAlzheimerova bolestBolestBaza podataka Inicijative za neuroimaging (ADNI). Subjekti ove studije, uključujući subjekte iz AD (n=24), MCI (n=24) i kontrolne (n=24) skupine, regrutirani su iz projekta ADNI2.

DTI cijelog mozga subjekata generiran je iz projekta ADNI2 sa sljedećim parametrima skeniranja: Proizvođač ¼ GE MEDICAL SYSTEMS; Matrica X=256.0 piksela; Matrica Y=256.0 piksela; Matrica Z=2714.0; Veličina piksela X=1,4 mm; Veličina piksela Y=1,4 mm; PulseSequence ¼ EP/SE; vrijeme ponavljanja (TR) od 13000 ms, vrijeme odjeka (TE) od 68,3 ms, kut zaokreta od 90, jakost polja od 3,0, debljina presjeka od 2,7 mm, 41 nekolinearni smjer s b -vrijednost od 1000 s/mm2, i 5 slika bez ponderiranja difuzije. Osim slika, preuzeti su i klinički i neuropsihološki podaci ispitanika.

2.2. DTI obrada

Za svaki neobrađeni podatak izvedeni su sljedeći glavni koraci kako bi se izdvojile značajke DTI tehnika u SWM (prikazano na slici 1). Svi ovi procesi izvedeni su pomoću softvera DSI Studio (koji je razvio Fang-Cheng Yeh iz Advanced Biomedical MRI Lab, National Taiwan University Hospital, Tajvan, uz podršku Fiber Tractography Lab.

2.2.1. Korak pretprocesiranja i rekonstrukcije

Prije mjerenja DTI parametara učinjena je korekcija pokreta glave i vrtložnih struja te striping lubanje. Za skidanje lubanje i filtriranje pozadinskog područja koristili smo maske koje nam je pružio DSI Studio. Zatim smo u sljedećem koraku upotrijebili dvije različite metode rekonstrukcije uključujući opciju baze modela (DTI) i slobodnog modela (QSDR) u DSI Studiju; s dva različita stava za obradu difuzijskih slika.

2.2.2. ROI pristup

Nakon koraka rekonstrukcije, dobiveni su različiti DTI parametri iz ROI-a, traktografije i povezanosti te mrežnih metoda. ROI je identitet za određenu svrhu, SWM regiju u trenutnoj studiji. Maska (u MNI prostoru) ove regije dobivena je iz slične studije koju su proveli Arash Nazeri et al [15, 16].

Prema podjeli regija mozga u Terminologia Anatomica 1998 [17] i Terminologia Neuroanatomica 2017 (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca. Federative International Programme for Anatomical Terminology, veljača 2017.), SWM regiju smo podijelili na 12 anatomskih regija uključujući frontalni, parijetalni, temporalni, okcipitalni, limbički i inzularni režnjevi (sa svake strane) prema Talairach Atlasu [18] (Slika 2). Ove regije su potvrdila dva iskusna radiologa. Konačno, dodali smo SWM atlas podregija za bolji i lakši pristup atlasima softvera DSI-Studio. Ukupno je izračunato 12 SWM regija i prosječne DTI i QSDR vrijednosti za svaku regiju.

2.2.3. Traktografski pristup

Kako bi se izdvojili traktografski parametri, FA i QA indeksi korišteni su za DTI i QSDR rekonstrukciju kako bi se odredio prag praćenja vlakana. U početku su postavljene SWM regije (kao ROI) i traktografija je izvedena odvojeno od regija. Traktografija svake SWM regije izvedena je s 100000 sjemenki, nasumično generiranih na pozicijama subvoksela, a sjemenke su postavljene preko svih SWM regija, s veličinom koraka od 0 (0,5 voksela do 1,5 udaljenosti voksela) i vrijednost izglađivanja od 1. Praćenje od primarnog vlakna točke sijanja postavljeno je na strujnu liniju (Euler), a interpolacija smjera postavljena je na trilinearnu. Raspon duljine vlakana bio je postavljen između 30 i 300 mm.

2.2.4. Povezivost i analiza mreže

Nakon provedene traktografije, metodom QSDR rekonstrukcije dobivena je strukturna povezanost između regija SWM mozga i mjera moždane mreže. Da biste to učinili, korištena je opcija "Matrika povezanosti" za izdvajanje parametara povezivosti i mreže. Tako da su nakon izvođenja traktografije cijelog mozga mjerenja međupovezanosti između regija SWM-a ocijenjena na temelju brojanja veza. Također, izmjerene informacije iz mreže (kao što su učinkovitost, asortativnost, između itd.) izvučene su iz različitih SWM regija.

2.3. Metode klasifikacije

Uključili smo DTI parametre i rekonstrukcije i izmjerene parametre iz ROI, traktografije, povezanosti i mrežnih metoda (tj. FA, MD, RD, AxD i QA, QA, iso, RDI, mrežne vrijednosti i niz veza između regija mozga). Za svaku grupu je pretvorena u CSV datoteke za unos MATLAB softvera za klasifikaciju. Značajke izvučene iz svake sastojale su se od 504 značajke metode ROI, 576 značajke metode traktografije i 702 značajke metode povezivanja i mreže. Nakon sortiranja obilježja, vektor obilježja za svaki predmet procijenjen je iz 1782 obilježja. Kako bi se pripremile matrice značajki kao ulaz za SVM klasifikacijski model, stvorene su međugrupne matrice (HC-AD, HC-MCI i MCI-AD) sa specifičnim oznakama za svaku grupu.

Sve analize strojnog učenja provedene su pomoću softvera MATLAB (R2014a). Koraci se mogu podijeliti u sljedeći dijagram toka (kao što je prikazano na slici 3).

Nakon DTI obrade podataka, ekstrakcije značajki i kreiranja vektora značajki, izvršen je odabir značajki.

2.3.1. Odabir značajki

U ovom istraživanju neuroimaginga broj značajki po subjektu bio je vrlo visok. Kako bismo identificirali najrelevantnije značajke (ili parametre) za klasifikaciju, upotrijebili smo metodu koja se temelji na filtru temeljenom na brzoj korelaciji (FCBF), što je metoda odabira značajki za visokodimenzionalne podatke [19].

Nakon DTI obrade, izbor značajki se izvodi pomoću FCBF metoda i koristi se u SVM za binarnu klasifikaciju.

2.3.2. Učenje i klasifikacija

Nakon odabira značajki, izvršili smo unutarnju 5-preklopnu unakrsnu provjeru valjanosti podataka o obuci i primijenili SVM algoritam koristeći binarnu klasifikaciju između tri grupe. Unakrsna provjera valjanosti je tehnika provjere valjanosti modela koja se koristi za osiguranje generalizacije izvedbe; to je također metoda ponovnog uzorkovanja koja se koristi za procjenu modela ako imamo ograničene podatke [20]. Ukupno smo procijenili linearne, kvadratne, kubične i Gaussove jezgre (fine, srednje, grube). Zbog boljih rezultata u linearnim, kvadratnim i Gaussovim kernelima i kako bismo smanjili složenost studije, objavili smo rezultate ova tri kernela. Na kraju, prikazujemo krivulju radne karakteristike prijemnika (ROC) i područje ispod krivulje (AUC) za najbolju jezgru u svakoj klasifikaciji (kao što je prikazano na slici 4).

2.3.3. Evaluacija

Nakon što se SVM algoritam uvježba, rezultati uključujući točnost, specifičnost i osjetljivost, koji su definirani kako slijedi, koriste se za procjenu učinkovitosti klasifikacije.

Općenito u ovim jednadžbama, istinski pozitivan (TP) odnosi se na broj pacijenata koji je točno predviđen, lažno pozitivan (FP) odnosi se na broj zdravih kontrola koji je netočno predviđen kao pacijenti, istinski negativan (TN) odnosi se na broj zdravih kontrola koji je točno predviđen , a lažno negativan (FN) odnosi se na broj pacijenata za koje se netočno predviđa da su zdravi [21].

3. Rezultat

3.1. Demografske i kliničke karakteristike

Demografija i klinički rezultati sudionika prikazani su u tablici 1. Nije bilo značajnih razlika (P > 0.05) između tri skupine s obzirom na dob i spol (vidi tablicu 1). Rezultati pregleda mini-mentalnog stanja (MMSE), globalne kliničke ocjene demencije (CDR) i upitnika funkcionalnih aktivnosti (FAQ) značajno su se razlikovali između tri skupine. Statistička analiza osnovnih informacija provedena je pomoću SPSS 24.

3.2. Selektivna svojstva površinske bijele tvari

FCBF metoda odabira značajki pokazala je 8 značajki za klasifikaciju MCI i HC, 25 značajki za klasifikaciju AD i HC te 17 značajki za klasifikaciju AD i MCI (Tablica 2). Slika 5 prikazuje broj selektivnih značajki različitih metoda DTI.

3.3. Izvedba klasifikacije

Prosječna točnost, osjetljivost i specifičnost navedeni su kao rezultati ove studije. Linearni kernel SVM-a bio je najbolji klasifikator, s točnošću od 95,8 posto, osjetljivošću od 95,8 posto i specifičnošću od 95,8 posto između AD i HC skupina, a slijedi ga kvadratni kernel SVM-a s točnošću od 83,3 posto, osjetljivost od 94,4 posto i specifičnost od 76,6 posto između MCI i HC skupina i Gaussova jezgra SVM-a s točnošću od 83,3 posto, osjetljivost od 80,7 posto i specifičnost od 86.3 posto između skupine AD i MCI) kao što je prikazano u tablici 1). Slika 6 prikazuje usporedbu između tri jezgre i pronalazi najbolju jezgru u bilo kojoj klasifikaciji para (vidi tablicu 3).

4. Rasprava

Postoje različite metode za analizu DTI podataka, a svaka metoda ima svoje prednosti i slabosti. U ovoj studiji koristili smo tri metode, naime ROI, traktografiju, povezanost i mrežnu analizu, kako bismo dobili karakteristike površinske bijele tvari [22].

Površinska bijela tvar jedna je od regija za koju je utvrđeno da je vrlo ranjiva na mnoge bolesti, prema modelu retrogeneze [23]. Iz tog je razloga ovo područje istraživano u ovoj studiji.

Provedeno je nekoliko studija kako bi se napravila razlika između pojedinaca s AD i MCI i zdravih pojedinaca, a mnogi su istraživači zainteresirani za pronalaženje metoda za odvajanje ove tri skupine. U trenutnoj studiji primijenili smo automatiziranu metodu za klasifikaciju ispitanika s AD i MCI, te HC ispitanika na temelju DTI značajki u SWM-u.

Važno je napomenuti da struktura vlakana SWM-a (koja sadrži više populacija vlakana koja se nazivaju "križajuća vlakna") pokazuje složeniji poredak od duboke bijele tvari (Slika 7). Iz tog razloga, čini se potrebnim koristiti QSDR tehniku ​​rekonstrukcije, jer su metode bez modela točnije u vokselima koji sadrže više populacija vlakana u usporedbi s metodama temeljenim na modelu [24]. U tu svrhu koristili smo QSDR tehniku ​​uz DTI tehniku ​​rekonstrukcije.

Zbog razvoja inteligentnih sustava u različitim znanostima, razvijen je sustav strojnog učenja za klasifikaciju parova između tri skupine. Koliko nam je poznato, ovo je prva studija koja koristi vektorski stroj za identifikaciju značajki DTI tehnika u SWM-u.

Naši rezultati kontrolne u odnosu na MCI klasifikaciju pokazali su da je kvadratna jezgra najbolja jezgra za ovu klasifikaciju, s točnošću od 83,3 posto. Razlikovanje između pacijenata s AD-om i starijih kontrolnih osoba pokazalo je 95,8 posto točnosti prema linearnoj jezgri. Parametri povezivanja pokazali su veliku važnost u odabranim značajkama. Primjer ovih veza prikazan je na slici 8.

Općenito, istraživanje značajki moždane mreže može istraživačima pružiti informacije o većini neurodegenerativnih bolesti, uključujući AD i MCI. Nedavno je proučavanje svojstava mreže kod Alzheimerove bolesti privuklo pozornost nekoliko istraživača. Među tim istraživačima su Daianu et al. [25], Seo et al. [26], Jalili et al. [27], Sheng i sur. [28], i Sulaiman et al. [29]. Oni vjeruju da analiza povezanosti moždane mreže pruža značajno razumijevanje načina na koji se živčani putevi prekidaju kod Alzheimerove bolesti. Na primjer, kao što je objavljeno u studiji Yongxia Zhou i sur., značajka mreže malog svijeta u moždanom korteksu mogla je razlikovati pacijente s Alzheimerovom bolešću i pacijente s MCI. U ovoj studiji, mreža malog svijeta, kao jedna od selektivnih značajki u površnoj bijeloj tvari, pokazala je sposobnost razlikovanja AD od MCI, i mogla bi se koristiti za objašnjenje pada pamćenja i kognitivnih funkcija, u skladu s

otkrića prethodnih studija da je gubitak karakteristika mreže malog svijeta promijenjen u pacijenata s AD [30, 31, 32].

Također, PageRank mjerenje može istaknuti regije mozga s većim brojem vanjskih poveznica [33]. U našoj studiji, PageRank u frontalnoj i parijetalnoj regiji bio je jedan od glavnih identificiranih značajki za dijagnozu AD i mogao bi igrati važniju ulogu u mozgu.

Jedan od najvažnijih nalaza studije je duljina i broj trakta lijevog parijetalnog režnja u odvajanju AD od MCI. Studija Desikana i suradnika spomenula je važnost ozljede parijetalnog režnja kao prediktora progresije od MCI do AD [34]. Rezultati traktografije ove studije mogu potvrditi zaključak prethodne studije u regiji SWM. Budući da MCI imaju veći rizik od razvoja AD-a od kontrolne skupine, pregled parijetalnog režnja može biti koristan pokazatelj.

Također, dodajući nalaze traktografije u usporedbi AD u odnosu na MCI, poremećaj povezanosti između temporalnog i parijetalnog režnja te također limbičkog i okcipitalnog režnja primijećen je u AD-u. Drugim riječima, veze vlakana kratkog dometa u temporoparijetalnom mogu biti bitan nalaz u razdvajanju ove dvije bolesti. Tempoparijetal igra vitalnu ulogu u ljudskim neuralnim funkcijama na visokoj razini [35] koje mogu biti oštećene u Alzheimerovoj bolesti. Desikan i sur. ispitivali su atrofiju ove regije u AD [34]. Nalazi ove studije s novom tehnikom i korištenjem značajki DTI metode mogu biti učinkoviti u odvajanju MCI od AD. Studija funkcionalne magnetske rezonancije (fMRI) pokazala je da je inzula ključno područje mreže ljudskog mozga i najosjetljivije područje AD [36]; ova studija može potvrditi ove rezultate u površinskoj bijeloj tvari jer su značajke inzule kao što su povezanost, iso, Tzz i Txy među odabranim i glavnim značajkama pacijenata s Alzheimerovom bolešću.

Većina studija je objavila da se DTI vrijednosti mijenjaju između AD i MCI skupina. Točnost klasifikacije u ovoj studiji između AD i MCI bila je 83,3 posto prema Gaussovoj jezgri, koja je bila najbolja jezgra za ovu klasifikaciju.

Kao prijedlog za buduća istraživanja, bit će zanimljivo uključiti druge modalitete i biomarkere u multimodalnu studiju kao što su fMRI i elektroencefalogram (EEG), pozitronska emisijska tomografija (PET) i podaci o CSF ​​proteinima s DTI podacima, a također mogu biti jedan od naše buduće ciljeve.

5. Zaključak

Zaključno, proveli smo metodu za automatsku diskriminaciju između pacijenata s AD i MCI i zdravih kontrola. U ovoj smo studiji pokazali da se AD ili MCI mogu razlikovati od HC pomoću značajki regije SWM putem DTI-ja. Stoga bi značajke dobivene iz ROI-a, traktografije, povezivosti i mrežnih metoda mogle pomoći u dijagnozi AD i MCI. Konačno, ova studija pruža pozadinu za procjenu drugih metoda automatizirane klasifikacije u ovim regijama.

5.1. Ograničenja

Veličina uzorka u strojnom učenju ključni je faktor koji utječe na izvedbu modela. Ograničenje studije je mala veličina uzorka uključenih subjekata.

Reference
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, DTI i strukturna MRI klasifikacija u Alzheimerovoj bolesti, Adv. Mol. slika 2012 (2012).
[2] SA Eshkoor, TA Hamid, CY Mun, CK Ng, Blago kognitivno oštećenje i njegovo liječenje kod starijih osoba, Clin. Interv. Starenje 10 (2015) 687–693.
[3] OR Phillips, SH Joshi, F. Piras, MD Orfei, M. Iorio, KL Narr, et al., Površinska bijela tvar u Alzheimerovoj bolesti, Hum. Mapa mozga. 37 (4) (2016) 1321–1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Promijenjena površinska bijela tvar na traktografiji MRI kod Alzheimerove bolesti, Dementia Geriatr. Cognit. Nered. Extra 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, Primjena tehnologije medicinske umjetne inteligencije u ruralnim područjima zemalja u razvoju, Health Equity 2 (1) (2018) 174–181.
[6] KD Davis, H. Flor, HT Greely, GD Iannetti, S. Mackey, M. Ploner, et al., Slikovni testovi mozga za kroničnu bol: medicinska, pravna i etička pitanja i preporuke, Nat. Rev. Neurol. 13 (2017) 624.
[7] M. Dyba, M. Ewers, M. Wegrzyn, I. Kilimann, C. Plant, A. Oswald, et al., Kombinacija DTI i MRI za automatizirano otkrivanje Alzheimerove bolesti pomoću velikog europskog multicentričnog skupa podataka, u Međunarodna radionica o multimodalnoj analizi slike mozga, Springer, 2012., str. 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long, et al., Razlike između generalizirane slike Q-uzorka i slike difuzijskog tenzora u vizualizaciji križanja neuralnih vlakana u mozak, Surg. Radiol. Anat. 41 (9) (2019) 1019–1028.
[9] SY Lim, Y.-S. Tyan, Y.-P. Chao, F.-Y. Nien, J.-C. Weng, Novi uvidi u razvoj mozga kunića pomoću difuzijske tenzorske traktografije i generaliziranog uzorkovanja MRI, PLoS One 10 (3) (2015.).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, Mapiranje infiltracije imunoloških stanica korištenjem MRI s ograničenom difuzijom, Magn. Reson. Med. 77 (2) (2017) 603–612.
[11] G. Prasad, TM Nir, AW Toga, PM Thompson, Gustoća traktografije i mrežne mjere u Alzheimerovoj bolesti, u: 2013. IEEE 10. međunarodni simpozij o biomedicinskim slikama, IEEE, 2013., str. 692–695.
[12] A. Mheich, F. Wendling, M. Hassan, Sličnost moždane mreže: metode i primjene, 2019. arXiv preprint arXiv:190810592.
[13] O. Sporns, Metode teorije grafova: primjene u moždanim mrežama, Dialogues Clin. Neurosci. 20 (2) (2018) 111.
[14] O. Sporns, JD Zwi, Mali svijet cerebralnog korteksa, Neuroinformatika 2 (2) (2004) 145-162.[15] A. Nazeri, MM Chakravarty, TK Rajji, D. Felsky, DJ Rotenberg, M. Mason, et al.,
Površinska bijela tvar kao novi supstrat kognitivnog opadanja povezanog sa starenjem, Neurobiol. Starenje 36 (6) (2015) 2094–2106.
[16] A. Nazeri, MM Chakravarty, D. Felsky, NJ Lobaugh, TK Rajji, BH Mulsant, et al., Promjene površinske bijele tvari u shizofreniji i odnos s kognitivnim performansama, Neuropsychopharmacology: Off. Publ. Am. College Neuropsychopharmacol. 38 (10) (2013) 1954.
[17] GC Ribas, Cerebralne brazde i vijuge, Neurosurg. Fokus 28 (2) (2010) E2. [18] J. Talairach, Koplanarni stereotaksički atlas -3-dimenzionalnog proporcionalnog sustava ljudskog mozga. An Approach to Cerebral Imaging, 1988.
[19] L. Yu, H. Liu, Odabir značajki za visokodimenzionalne podatke: brzo rješenje filtra temeljeno na korelaciji, u Proceedings of the 20th International Conference on Machine Learning (ICML-03), 2003., str. 856–863.
[20] MW Browne, Cross-validation methods, J. Math. Psychol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Osjetljivost, specifičnost, točnost, povezani interval pouzdanosti i ROC analiza s praktičnim implementacijama SAS-a, 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, Inicijativa za neuroimaging Alzheimerove bolesti. Identifikacija površinskih abnormalnosti bijele tvari u Alzheimerovoj bolesti i blagom kognitivnom oštećenju korištenjem difuzijske tenzorske slike, J. Alzheimer's Dis. Rep. 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou, et al., Razlike između generalizirane slike q-uzorka i slike difuzijskog tenzora u preoperativnoj vizualizaciji živčanog vlakna trakti unutar peritumoralnog edema u mozgu, Neurosurgery 73 (6) (2013) 1044–1053.
[25] M. Daianu, EL Dennis, N. Jahanshad, TM Nir, AW Toga, CR Jack, et al., Alzheimerova bolest remeti bogatu klupsku organizaciju u mrežama povezivanja mozga, u: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE , 2013., str. 266–269.
[26] EH Seo, DY Lee, J.-M. Lee, J.-S. Park, BK Sohn, DS Lee i dr., Funkcionalne mreže cijelog mozga u kognitivno normalnom, blagom kognitivnom oštećenju i Alzheimerovoj bolesti, PLoS One 8 (1) (2013.).
[27] M. Jalili, Teorijska analiza grafova Alzheimerove bolesti: diskriminacija AD pacijenata od zdravih subjekata, Inf. Sci. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Identificiranje i karakteriziranje različitih stadija prema Alzheimerovoj bolesti pomoću uređenih osnovnih značajki i strojnog učenja, Heliyon (2021.), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, PM Thompson, et al., Predviđanje promjena moždane mreže u Alzheimerovoj bolesti s algoritmima predviđanja veze, Mol. Biosyst. 13 (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang i dr., Abnormalne kortikalne mreže kod blagog kognitivnog oštećenja i Alzheimerove bolesti, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Strukturalni uvidi u aberantne topološke obrasce velikih kortikalnih mreža u Alzheimerovoj bolesti, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Neuronske mreže u Alzheimerovoj bolesti, Neuroscientist 15 (4) (2009) 333–350.
[33] A. Ebadi, JL Dalboni da Rocha, DB Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho, et al., Skupna klasifikacija Alzheimerove bolesti i blagog kognitivnog oštećenja na temelju složenih grafskih mjera iz tenzora difuzije slike, prednja strana. Neurosci. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman, et al., Temporoparijetalne MR slikovne mjere atrofije kod subjekata s blagim kognitivnim oštećenjem koje predviđaju naknadnu dijagnozu Alzheimerove bolesti, Am. J. Neuroradiol. 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, Praćenje kratkih veza temporoparieto-okcipitalne regije u ljudskom mozgu korištenjem slike difuzijskog spektra i disekcije vlakana, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song, et al., Promijenjena funkcionalna povezanost otočnih podregija u Alzheimerovoj bolesti, Front. Neurosci starenja. 10 (2018) 107.