ویژگی های ماده سطحی سفید به عنوان نشانگرهای زیستی برای تشخیص بیماری آلزایمر و اختلال شناختی خفیف

تماس با ما: emily.li@wecistanche.com

Bahare Bigham, et al

چکيده:

پس زمینه:

با توسعه ابزارهای تصویربرداری و پردازش پزشکی، تشخیص دقیق بیماری ها توسط سیستم های هوشمند امکان پذیر شده است. با توجه به توانایی قابل توجه دستگاه های بردار پشتیبانی (SVMs) برای تشخیص بیماری ها، تحقیقات گسترده ای با استفاده از الگوریتم SVM برای طبقه بندیآلزایمربیماری(AD) و اختلال شناختی خفیف (MCI).

اهداف:

در اين مطالعه روشی خودکار برای طبقه بندی بيماران باآلزایمربیماریو افراد MCI و کنترل سالم (HC) بر اساس ویژگی های تصویربرداری از سانسور انتشار (DTI) در ماده سطحی سفید (SWM).

شرکت کنندگان:

برای این منظور، داده های DTI ازآلزایمربیماریNeuroimaging Initiative (ADNI). این روش داده های DTI را از 72 نفر به کار گرفت: 24 نفر با HC، 24 نفر با MCI و 24 نفر با AD.

اندازه گیری ها: پردازش DTI با استفاده از نرم افزار DSI Studio انجام شد و تمام تحلیل های یادگیری ماشین با استفاده از نرم افزار MATLAB انجام شد.

نتیجه:

هسته خطی SVM بهترین طبقه بندی کننده بود، با دقت 95.8٪ بینآلزایمربیماریو گروه های HC و به دنبال آن هسته چهارگانه SVM با دقت 3/83 درصد بین گروه های MCI و HC و هسته گاوسی SVM با دقت 3/83 درصد بین گروه های AD و MCI انجام شد. نتیجه گیری: با توجه به اهمیت تشخیص AD و MCI و همچنین نقش ماده سفید سطحی در تشخیص بیماری های نورودژنراتیو، در این مطالعه ویژگی های روش های مختلف DTI SWM مورد بحث قرار می گیرد که می تواند ابزار مفیدی برای کمک به تشخیص AD و MCI باشد.

واژه های کلیدی: دستگاه بردار پشتیبانی، تصویربرداری از سانسور انتشار،آلزایمربیماری، اختلال شناختی خفیف، ماده سفید سطحی

برای کسب اطلاعات بیشتر در مورد سیستانچه برای بیماری آلزایمر اینجا را کلیک کنید

1. مقدمه

با در نظر گرفتن افزایش جمعیت پیری، تشخیص دقیق و موثربیماری آلزایمر(AD) به یک مسئله مهم در جامعه تبدیل شده است [1]. اختلال شناختی خفیف (MCI) وضعیتی بین کاهش شناختی مرتبط با پیری طبیعی و کاهش شدیدتر زوال عقل است. از آنجا که هیچ درمان مشخصی برای MCI وجود دارد و خطر بالای پیشرفت آن به زوال عقل وجود دارد، تشخیص، و پیشگیری از بیماری بسیار مهم است [2].

بیماری نورودژنراتیو اغلب مناطق خاصی از مغز را تحت تأثیر قرار می دهد. ماده سفید سطحی (SWM) یکی از مناطقی است که با توجه به مدل رتروژنز [۳، ۴] در برابر بسیاری از بیماری ها بسیار آسیب پذیر شناخته شده است. در این مطالعه، ما یک مدل ماشین بردار پشتیبانی (SVM) را توسعه دادیم که موضوعات HC، MCI و AD را بر اساس ویژگی های SWM طبقه بندی می کند.

با توجه به توسعه تکنولوژی سیستم های خودکار در زمینه های مختلف علوم پزشکی، سیستم های یادگیری ماشین به پزشکان کمک می کنند تا به طور خودکار بیماری ها را تشخیص دهند [5]. SVM، به عنوان یک تکنیک یادگیری ماشین تحت نظارت، یک ابزار بسیار قدرتمند در تجزیه و تحلیل داده های بزرگ است [1].

تکنیک های تصویربرداری مغز به طور گسترده ای در نظر گرفته می شوند که پتانسیل تشخیص بیماری مغزی را دارند. با استفاده از این تکنیک ها، مشکلات در مغز انسان را می توان شناسایی کرد، بدون نیاز به جراحی مغز و اعصاب تهاجمی. در حال حاضر چندین تکنیک تصویربرداری ایمن پذیرفته شده در مراکز تحقیقاتی و بیمارستان های سراسر جهان مورد استفاده قرار می گیرد [6]. تصویربرداری از سانسور انتشار (DTI) یک تکنیک جدید تصویربرداری عصبی مبتنی بر ام آر آی است که اجازه می دهد تا ارزیابی یکپارچگی دستگاه فیبر نورونی [7].

بازسازی داده های DTI را می توان به دو دسته روش های بدون مدل و مبتنی بر مدل تقسیم کرد. روش های مبتنی بر مدل مانند بازسازی DTI فرض می کنند که شکل انتشار آب از یک الگوی گاوسی سه بعدی پیروی می کند، اما هیچ فرضی در مورد توزیع در روش بدون مدل مانند روش بازسازی دیفیومورفی q-space (QSDR) وجود ندارد. روش QSDR داده ها را در فضای موسسه عصبی مونترال (MNI) بازسازی می کند [8]. نرم افزار DSI Studio (www. dsi-s tudio.labsolver.org) از هر دو روش بازسازی مبتنی بر مدل و بدون مدل پشتیبانی می کند.

اندازه گیری های مختلفی از روش بازسازی DTI از جمله میانگین انتشار (MD)، آنیوستروپی کسری (FA)، پخش محوری (AxD)، و پخش شعاعی (RD) به دست می آید. اندازه گیری های مبتنی بر چگالی حاصل از روش بازسازی QSDR شامل ایزوتروپی کمی (QA)، مقدار ایزوتروپیک (ISO)، تصویربرداری انتشار محدود (RDI)، و مانند آن است.

QA یک متریک برای کمی کردن جمعیت اسپین در یک جهت مشخص و حل جمعیت فیبر (به طور خاص عبور الیاف) است. مقیاس QA نرمال شده (QA) با عادی سازی حداکثر مقدار QA به یک محاسبه می شود تا QA در سراسر موضوع قابل مقایسه تر باشد [9].

RDI روشی است برای کمی سازی چگالی انتشار محدود شده با توجه به محدوده جابجایی انتشار (مانند ۱۰ میکرون) [۱۰].

توانایی تخمین جهت اصلی انتشار با استفاده از سانسور نیز تکنیک تراکتوگرافی را به همراه داشته است که برای محاسبه ماتریس اتصال و اندازه گیری های شبکه اعمال شده است [11].

مغز به عنوان یک شبکه پیچیده متشکل از نورون ها و مناطق مغزی نشان داده می شود که از نظر ساختاری و عملکردی با هم مرتبط هستند. یک شبکه مغزی (یا گراف) متشکل از گره ها (نشان دهنده نورون ها یا مناطق مغزی) است که توسط خطوط (اتصال بین مناطق مغزی) به هم متصل می شوند [۱۲].

علم شبکه می تواند در کاهش پیچیدگی معماری تحلیلی مغز و درک الگوهای اتصال مغز کمک کند و می تواند اطلاعاتی در مورد اختلالات بالینی ارائه دهد [13].

اندازه گیری های شبکه شامل طبقه بندی، کارایی، PageRank، بین بودن، شبکه جهان کوچک، و مانند آن؛ آنها استفاده می شود برای درک بهتر ساختار و عملکرد مغز انسان به عنوان یک شبکه [14].

تنها مطالعات کمی از رویکردهای تحلیل متفاوتی مانند منطقه مورد علاقه (ROI)، تراکتوگرافی، و اتصال و شبکه در هر دو بازسازی DTI و QSDR استفاده کرده اند. ما تکنیک SVM را بر اساس ویژگی های استخراج شده از ماده سطحی سفید توسط روش های تجزیه و تحلیل فوق برای تشخیص دودویی خودکار ADand MCI، AD و HC، و MCI و HC به کار گرفتیم.

2. مواد و روش ها

داده های ارائه شده در این مقاله از یک پایان نامه M.Sc استخراج و توسط کمیته اخلاقی دانشگاه علوم پزشکی مشهد (شماره اخلاقی: IR) مورد بررسی و تأیید قرار گرفت. عج. پزشکی. REC.1397.320).

مراحل به این قرارند:

2.1. کسب داده ها

داده های 72 شرکت کننده از سه گروه از دانلودآلزایمربیماریپایگاه داده ابتکار تصویربرداری عصبی (ADNI) . افراد مورد مطالعه شامل گروه های AD (n 1/4 24)، MCI (n 1/4 24)، و گروه های کنترل (24/1/1) از پروژه ADNI2 جذب شدند.

DTI تمام مغز از افراد از ADNI2پروژه با پارامترهای اسکن زیر تولید شد: تولید کننده 1/4 جنرال الکتریک سیستم های پزشکی; ماتریس X 1/4 256.0 پیکسل; ماتریس Y 1/4 256.0 پیکسل; ماتریس Z 1/4 2714.0; پیکسل اندازه X 1/4 1.4 میلی متر; پیکسل اندازه Y 1/4 1.4 میلی متر; PulseSequence 1/4 EP/SE; زمان تکرار (TR) از 13000 میلی متر، زمان پژواک (TE) از 68.3 میلی متر، زاویه تلنگر 90، قدرت میدان 3.0، ضخامت برش 2.7 میلی متر، 41 جهت غیر collinear با ارزش b 1000 s/mm2، و 5 تصویر بدون وزن انتشار. علاوه بر تصاویر، داده های بالینی و عصبی روانی افراد نیز دانلود شد.

2.2. پردازش DTI

برای هر داده خام، مراحل اصلی زیر برای استخراج ویژگی های تکنیک های DTI در SWM انجام شد (در شکل ۱ نشان داده شده است). تمام این فرایندها با استفاده از نرم افزار DSI Studio (توسعه یافته توسط فانگ چنگ یه از آزمایشگاه پیشرفته ام آر آی زیست پزشکی، بیمارستان دانشگاه ملی تایوان تایوان، با پشتیبانی آزمایشگاه تراکتوگرافی فیبر انجام شد.

2.2.1. مرحله پیش پردازش و بازسازی

قبل از اندازه گیری پارامتر DTI، اصلاح حرکت سر و eddy-current و سلب جمجمه انجام شد. برای سلب جمجمه و فیلتر کردن منطقه پس زمینه، ما با استفاده از ماسک های ارائه شده توسط DSIStudio. سپس در مرحله بعدی از دو روش بازسازی مختلف شامل پایه مدل (DTI) و گزینه مدل آزاد (QSDR) در استودیو DSI استفاده شد؛ با دو نگرش متفاوت برای پردازش تصاویر انتشار.

2.2.2. روش ROI

پس از مرحله بازسازی، پارامترهای مختلف DTI از روش های ROI، تراکتوگرافی و اتصال و شبکه به دست آمد. ROI هویت برای یک هدف خاص، منطقه SWM در مطالعه فعلی است. ماسک (در فضای MNI) این منطقه از مطالعه مشابه آرش ناصری و همکاران [15, 16] به دست آمده است.

با توجه به تقسیم مناطق مغز در ترمینولوژی آناتومیکا 1998 [17] و ترمینولوژی نوروآناتومیکا 2017 (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca. برنامه بین المللی فدراتیو برای اصطلاحات آناتومیک، فوریه 2017)، ما منطقه SWM را به 12 منطقه آناتومیک از جمله پیشانی، آهیانه، زمانی، occipital، لیمبیک، و لوب اینکولار (در هر طرف) توسط اطلس Talairach [18] تقسیم (شکل 2). این مناطق توسط دو رادیولوژیست با تجربه تأیید شدند. در نهایت، اطلس SWM زیر مناطق را برای دسترسی بهتر و آسان تر به اطلس های نرم افزاری DSI-Studio اضافه کردیم. در مجموع 12 منطقه SWM و میانگین مقادیر DTI و QSDR برای هر منطقه محاسبه شد.

2.2.3. رویکرد تراکتوگرافی

به منظور استخراج پارامترهای تراکتوگرافی از شاخص های FA و QA برای بازسازی DTI و QSDR به ترتیب برای تعیین آستانه ردیابی فیبر استفاده شد. در ابتدا مناطق SWM (به عنوان ROI) قرار داده شد و تراکتوگرافی به طور جداگانه از مناطق انجام شد. تراکتوگرافی هر منطقه SWM با 100000 دانه انجام شد، به طور تصادفی در موقعیت های subvoxel تولید شد، و دانه ها در تمام مناطق SWM قرار گرفتند، با اندازه گام 0 (0.5 voxels به فاصله واکسل 1.5) و مقدار هموار کننده 1. ردیابی از فیبر اولیه یک نقطه بذر به ساده سازی (اویلر) تنظیم شد، و interpolation جهت به سه خطی تنظیم شد. محدوده طول فیبر بین 30 تا 300 میلی متر تعیین شد.

2.2.4. اتصال و تجزیه و تحلیل شبکه

پس از انجام تراکتوگرافی، اتصال ساختاری بین مناطق SWM مغز و اقدامات شبکه مغز با روش بازسازی QSDR به دست آمد. برای این کار از گزینه "ماتریس اتصال" برای استخراج پارامترهای اتصال و شبکه استفاده شد. به طوری که پس از انجام یک تراکتوگرافی از کل مغز، اندازه گیری های اتصال بین مناطق SWM بر اساس تعداد اتصالات مورد ارزیابی قرار گرفت. همچنین اطلاعات اندازه گیری شده از شبکه (مانند کارایی، طبقه بندی، بین بودن و غیره) از مناطق مختلف SWM استخراج شد.

2.3. روش های طبقه بندی

ما شامل پارامترهای DTI هر دو بازسازی و پارامترهای اندازه گیری شده از روش های ROI، تراکتوگرافی، اتصال، و شبکه (به عنوان معنی، FA، MD، RD، AxD، و QA، QA، ایزو، RDI، مقادیر شبکه، و تعدادی از اتصالات بین مناطق مغز) بودیم. برای هر گروه به فایل های CSV تبدیل شد تا نرم افزار MATLAB را برای طبقه بندی وارد کنید. ویژگی های استخراج شده از هر یک شامل 504 ویژگی از روش ROI، 576 ویژگی از روش تراکتوگرافی، و 702 ویژگی اتصال و روش شبکه بود. پس از مرتب سازی ویژگی ها، بردار ویژگی ها برای هر موضوع از ویژگی های ۱۷۸۲ تخمین زده شد. به منظور آماده سازی ماتریس های ویژگی به عنوان ورودی به مدل طبقه بندی SVM، ماتریس های بین گروهی (HC-AD، HC-MCI و MCI-AD) با برچسب های خاص برای هر گروه ایجاد شد.

تمام تحلیل های یادگیری ماشین با استفاده از نرم افزار MATLAB (R2014a) انجام شد. مراحل را می توان به نمودار جریان زیر تقسیم کرد (همان طور که در شکل ۳ نشان داده شده است).

پس از پردازش داده های DTI، استخراج ویژگی ها، و ایجاد بردار ویژگی، انتخاب ویژگی انجام شد.

2.3.1. انتخاب ویژگی

در این تحقیق تصویربرداری عصبی، تعداد ویژگی های هر موضوع بسیار بالا بود. بنابراین برای شناسایی مرتبط ترین ویژگی ها (یا پارامترها) برای طبقه بندی، ما از روشی بر اساس یک فیلتر مبتنی بر همبستگی سریع (FCBF) استفاده کردیم که یک روش انتخاب ویژگی برای داده های با ابعاد بالا است [19].

پس از پردازش DTI، انتخاب ویژگی ها با استفاده از FCBFmethods انجام می شود و در SVM برای طبقه بندی دودویی استفاده می شود.

2.3.2. یادگیری و طبقه بندی

پس از انتخاب ویژگی، ما یک اعتبارسنجی متقابل داخلی 5 برابری برای داده های آموزشی انجام دادیم و الگوریتم SVM را با استفاده از طبقه بندی دودویی بین سه گروه به کار گرفتیم. اعتبارسنجی متقابل یک تکنیک اعتبارسنجی مدل است که برای اطمینان از عمومی شدن عملکرد استفاده می شود؛ همچنین یک روش نمونه گیری مجدد است که برای ارزیابی یک مدل استفاده می شود اگر ما داده های محدود [20]. در مجموع هسته های خطی، رباعی، مکعبی و گاوسی (ریز، متوسط، درشت) را مورد ارزیابی قرار دادیم. با توجه به نتایج بهتر در هسته های خطی، کوادراتیک و گاوس و برای کاهش پیچیدگی مطالعه، نتایج این سه هسته را گزارش کردیم. در نهایت، منحنی مشخصه عملیاتی گیرنده (ROC) و مساحت زیر منحنی (AUC) را برای بهترین هسته در هر طبقه بندی (همان طور که در شکل ۴ نشان داده شده است) نشان می دهیم.

2.3.3. ارزیابی

هنگامی که الگوریتم SVM آموزش دیده است، نتایج شامل دقت، ویژگی، و حساسیت، که به صورت زیر تعریف می شوند، برای ارزیابی عملکرد طبقه بندی استفاده می شود.

به طور کلی در این معادلات، مثبت واقعی (TP) اشاره به تعداد بیماران پیش بینی شده به درستی، مثبت کاذب (FP) اشاره به تعداد کنترل های سالم پیش بینی نادرست به عنوان بیماران، منفی واقعی (TN) اشاره به تعداد کنترل های سالم پیش بینی شده به درستی، و منفی کاذب (FN) اشاره به تعداد بیماران پیش بینی نادرست به عنوان سالم [21].

3. نتیجه

3.1. ویژگی های جمعیت شناختی و بالینی

جمعیت شناسی و نمرات بالینی شرکت کنندگان در جدول شماره 1 نشان داده شده است. تفاوت های نشانه ای (P > 0.05) بین سه گروه با توجه به سن و جنس وجود نداشت (جدول 1 را ببینید). آزمون وضعیت مینی روانی (MMSE)، امتیاز جهانی زوال عقل بالینی (CDR)، و پرسشنامه فعالیت های عملکردی (پرسش و پاسخ) به طور معنی دار در میان سه گروه متفاوت بود. تجزيه و تحليل آماری اطلاعات پايه با استفاده از نرم افزار SPSS 24 انجام شد.

3.2. ویژگی های انتخابی از ماده سفید سطحی

روش FCBF انتخاب ویژگی ها ۸ ویژگی برای طبقه بندی MCI و HC، ۲۵ ویژگی برای طبقه بندی AD و HC و ۱۷ ویژگی برای طبقه بندی AD و MCI (جدول ۲) را نشان داد. شکل ۵ تعداد ویژگی های انتخابی روش های مختلف DTI را نشان می دهد.

3.3. عملکرد طبقه بندی

میانگین دقت، حساسیت و ویژگی به عنوان نتایج این مطالعه گزارش شد. هسته خطی SVM بهترین طبقه بندی کننده، با دقت 8/95 درصد، حساسیت 8/95 درصد و ویژگی 8/95 درصد بین گروه های AD و HC بود، به دنبال آن هسته درجه دو SVM با دقت 83.3٪، حساسیت 94.4٪، و ویژگی 76.6٪ بین گروه MCI و HC و هسته گاوسی SVM با دقت 83.3٪، حساسیت 80.7٪، و ویژگی 86.3٪ بین گروه های AD و MCI) همانطور که در جدول 1 نشان داده شده است). شکل ۶ مقایسه بین سه هسته را نشان می دهد و بهترین هسته را در هر طبقه بندی جفتی پیدا می کند (جدول ۳ را ببینید).

4. بحث و گفتگو

روش های مختلفی برای تجزیه و تحلیل داده های DTI وجود دارد و هر روش نقاط قوت و ضعف خود را دارد. در این مطالعه از سه روش یعنی ROI، تراکتوگرافی، اتصال، و تجزیه و تحلیل شبکه برای به دست آوردن ویژگی های ماده سطحی سفید استفاده شد [22].

ماده سطحی سفید یکی از مناطقی است که با توجه به مدل رتروژنز [۲۳] در برابر بسیاری از بیماری ها بسیار آسیب پذیر شناخته شده است. به همین دلیل در این پژوهش این حوزه مورد بررسی قرار گرفته است.

مطالعات متعددی برای تفاوت بین افراد مبتلا به AD و MCI و افراد سالم انجام شده است و بسیاری از محققان علاقه مند به یافتن روش هایی برای جدا کردن این سه گروه هستند. در مطالعه حاضر، ما یک روش خودکار برای طبقه بندی افراد با AD و MCI، و افراد HC بر اساس ویژگی های DTI در SWM به کار گرفتیم.

این مهم است که توجه داشته باشید که معماری فیبر SWM (حاوی جمعیت فیبر های متعدد به نام "الیاف عبور") نشان می دهد نظم پیچیده تر از ماده عمیق سفید (شکل 7). به همین دلیل استفاده از تکنیک بازسازی QSDR ضروری به نظر می رسد، زیرا روش های بدون مدل در واکسل های حاوی جمعیت فیبرهای متعدد در مقایسه با روش های مبتنی بر مدل دقیق تر هستند [24]. برای این منظور از تکنیک QSDR به همراه تکنیک بازسازی DTI استفاده شد.

با توجه به توسعه سیستم های هوشمند در علوم مختلف، یک سیستم یادگیری ماشینی برای طبقه بندی جفت بین سه گروه توسعه یافت. به بهترین وجه دانش ما، این اولین مطالعه ای است که از یک ماشین بردار پشتیبانی برای شناسایی ویژگی های تکنیک های DTI در SWM استفاده می کند.

نتایج ما از کنترل در مقابل طبقه بندی MCI نشان داد که هسته درجه دو بهترین هسته برای این طبقه بندی، با دقت 83.3٪ است. تبعیض بین بیماران AD و کنترل سالمندان 8/95 درصد دقت هسته خطی را نشان داد. پارامترهای اتصال اهمیت زیادی در ویژگی های انتخاب شده نشان دادند. نمونه ای از این اتصالات در شکل ۸ نشان داده شده است.

به طور کلی بررسی ویژگی های شبکه مغزی می تواند اطلاعاتی در مورد بیشتر بیماری های نورودژنراتیو از جمله AD و MCI در اختیار محققان قرار دهد. اخیراً بررسی خواص شبکه ای در بیماری آلزایمر مورد توجه چندین محقق قرار گرفته است. از جمله این محققان می شود به دایانو و همکاران [25]، سئو و همکاران [26]، جلیلی و همکاران [27]، شنگ و همکاران [28]، و سلیمان و همکاران [29]. آنها بر این باورند که تجزیه و تحلیل اتصال شبکه مغز درک دلی از چگونگی شکستن مسیرهای عصبی در بیماری آلزایمر را فراهم می کند. به عنوان مثال همان طور که در مطالعه یونگ شیا ژو و همکارانش گزارش شده است، ویژگی شبکه جهان کوچک در قشر مغز توانست بین بیماران آلزایمر و بیماران MCI تمایز قائل شود. در این مطالعه، شبکه جهان کوچک به عنوان یکی از ویژگی های انتخابی در ماده سطحی سفید، توانایی متمایز کردن AD از MCI را نشان داد، و می توان از آن برای توضیح افول حافظه و عملکردهای شناختی، سازگار با

fifindings از مطالعات قبلی که از دست دادن ویژگی های شبکه های جهان کوچک در بیماران AD تغییر [30, 31, 32].

همچنین اندازه گیری PageRank می تواند مناطق مغز را با تعداد بالاتری از لینک های خارجی برجسته [33]. در مطالعه ما، PageRank در مناطق جبهه ای و آهیانه یکی از ویژگی های شناسایی شده بالا برای تشخیص AD بود و می تواند نقش مهم تری در مغز داشته باشد.

یکی از مهم ترین فیفینگ های مطالعه طول و تعداد تراکت های لوب آهیانه چپ در جداسازی AD از MCI است. مطالعه Desikan و همکاران از اهمیت آسیب لوب آهیانه به عنوان پیش بینی کننده پیشرفت از MCI به AD [34] یاد کرد. نتایج تراکتوگرافی این مطالعه می تواند نتیجه گیری مطالعه قبلی در منطقه SWM را تایید کند. از آنجا که MCIs خطر ابتلا به AD بالاتری نسبت به کنترل ها دارد، بررسی لوب آهیانه ممکن است یک شاخص مفید باشد.

همچنین افزودن فیفیندینگ های تراکتوگرافی در مقایسه های AD در مقابل MCI، اختلال در اتصال بین لوب های گیجگاهی و آهیانه ای و همچنین لوب های لیمبیک و occipital در ADs مشاهده شد. به عبارت دیگر اتصالات فیبرهای کوتاه برد در تمپوروپریتال می تواند یافته ای ضروری در جداسازی این دو بیماری باشد. تمپوروپریتال نقش حیاتی در عملکردهای عصبی سطح بالا انسان [35] دارد که ممکن است در بیماری آلزایمر آسیب دیده باشد. دسیکان و همکارانش آتروفی این منطقه را در سال های پس از م [۳۴] مورد بررسی قرار دادند. فیفیدینگ های این مطالعه با تکنیکی جدید و استفاده از ویژگی های روش DTI می توانند در جدا کردن MCI از AD مؤثر باشند. یک مطالعه تصویربرداری رزوننس مغناطیسی عملکردی (fMRI) نشان داد که انسولین منطقه کلیدی شبکه های مغز انسان و آسیب پذیرترین منطقه AD [36] است؛ مطالعه حاضر می تواند این نتایج را در ماده سطحی سفید تایید کند زیرا ویژگی های انسولین مانند اتصال، ایزو، تز، و Txy از ویژگی های انتخاب شده و اصلی بیماران آلزایمر است.

بیشتر مطالعات گزارش داده اند که مقادیر DTI بین گروه های AD و MCI تغییر می کند. دقت طبقه بندی در این مطالعه بین AD و MCI توسط هسته گاوسی 3/83 درصد بود که بهترین هسته برای این طبقه بندی بود.

به عنوان یک پیشنهاد برای تحقیقات آینده، جالب خواهد بود که شامل دیگر مودال ها و نشانگرهای زیستی در مطالعه چند وجهی مانند fMRI و الکتروانسفالوگرام (EEG)، توموگرافی انتشار پوزیترون (PET)، و داده های پروتئین های CSF با داده های DTI باشد و همچنین می تواند یکی از اهداف آینده ما باشد.

5. نتیجه گیری

در نتيجه، ما روشی را برای تبعيض خودکار بين بيماران مبتلا به AD و MCI و کنترل های سالم انجام داديم. در این مطالعه، ما نشان دادیم که AD یا MCI را می توان با استفاده از ویژگی های منطقه SWM از طریق DTI از HC متمایز کرد. بنابراین، ویژگی های به دست آمده از ROI، تراکتوگرافی، و اتصال و روش های شبکه می تواند کمک به تشخیص AD و MCI کمک کند. در نهایت این مطالعه زمینه ای را برای ارزیابی سایر روش های طبقه بندی خودکار در این مناطق فراهم می کند.

5.1. محدودیت

اندازه نمونه در یادگیری ماشین یک عامل بسیار مهم است که عملکرد مدل را تحت تاثیر قرار می دهد. محدودیت مطالعه اندازه نمونه کوچک از افراد گنجانده شده است.

مراجع
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, DTI and structural MRI classification in Alzheimer's disease, Adv. Mol. Imag. 2012 (2012).
[2] S.A. Eshkoor, T.A. Hamid, C.Y. Mun, C.K. Ng, Mild cognitive impairment and its management in older people, Clin. Interv. پیری ۱۰ (۲۰۱۵) ۶۸۷–۶۹۳.
[3] O.R. Phillips, S.H. Joshi, F. Piras, M.D. Orfei, M. Iorio, K.L. Narr, et al., The superficial white matter in Alzheimer's disease, Hum. Brain Mapp. 37 (4) (2016) 1321–1334.
[4] W. Reginold, A.C. Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Altered superficial white matter on tractography MRI in Alzheimer's disease, Dementia Geriatr. Cognit. ديزورد . اضافی 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, The application of medical artificial intelligence technology in rural areas of developing countries, Health Equity 2 (1) (2018) 174–181.
[6] K.D. Davis, H. Flor, H.T. Greely, G.D. 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 Alzheimer's disease using a large European multicenter dataset, in International Workshop on Multimodal Brain Image Analysis, Springer, 2012, pp 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Genev, S. Long, et al., Differences between generalized Q-sampling imaging and diffusion tensor imaging in the visualization of crossing neural fibers in the brain, Surg. Radiol. Anat. 41 (9) (2019) 1019–1028.
[9] S.Y. Lim, Y.-S. Tyan, Y.-P. Chao, F.-Y. Nien, J.-C. Weng, New insights into the developing rabbit brain using diffusion tensor tractography and generalized sampling MRI, PLoS One 10 (3) (2015).
[10] F.C. Yeh, L. Liu, T.K. Hitchens, Y.L. Wu, Mapping immune cell infiltration using restricted diffusion MRI, Magn. رزون . Med. 77 (2) (2017) 603–612.
[11] G. Prasad, T.M. Nir, A.W. Toga, P.M. Thompson, Tractography density and network measures in Alzheimer's disease, in: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE, 2013, pp. 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. عصبي . 20 (2) (2018) 111.
[14] O. Sporns, J.D. Zwi, The small world of the cerebral cortex, Neuroinformatics 2 (2) (2004) 145–162. [15] A. Nazeri, M.M. Chakravarty, T.K. Rajji, D. Felsky, D.J. Rotenberg, M. Mason, et al.,
ماده سفید سطحی به عنوان بستر بدیع کاهش شناختی مرتبط با سن، نوروبیول. پیری ۳۶ (۶) (۲۰۱۵) ۲۰۹۴–۲۱۰۶.
[16] A. Nazeri, M.M. Chakravarty, D. Felsky, N.J. Lobaugh, T.K. Rajji, B.H. Mulsant, et al., Alterations of superficial white matter in schizophrenia and relationship to cognitive performance, Neuropsychopharmacology: Off. Publ. Am. College Neuropsychopharmacol. 38 (10) (2013) 1954.
[17] G.C. Ribas, The cerebral sulci and gyri, Neurosurg. Focus 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, Feature selection for high-dimensional data: a fast correlation-based filter solution, in Proceedings of the 20th International Conference on Machine Learning (ICML-03), 2003, pp. 856–863.
[20] M.W. Browne, Cross-validation methods, J. Math. Psychol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Sensitivity, specificity, accuracy, associated confidence interval and ROC analysis with practical SAS implementations, 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, S.A. Zamanpour, F. Zemorshidi, F. Boroumand, H. Zare, Alzheimer's Disease Neuroimaging Initiative. شناسايی ناهنجاری های سطحی ماده سفيد در بيماری آلزايمر و اختلال شناختی خفيف با استفاده از تصویربرداری از تسور انتشار، ديس جي آلزايمر Rep. 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou, et al., Differences between generalized q-sampling imaging and diffusion tensor imaging in the preoperative visualization of the nerve fiber tracts within peritumoral edema in brain, Neurosurgery 73 (6) (2013) 1044–1053.
[25] M. Daianu, E.L. Dennis, N. Jahanshad, T.M. Nir, A.W. Toga, C.R. Jack, et al., Alzheimer's disease disrupts rich club organization in brain connectiony networks, in: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE, 2013, pp.266–269.
[26] E.H. Seo, D.Y. Lee, J.-M. Lee, J.-S. Park, B.K. Sohn, D.S. Lee, et al., Whole-brain functional networks in cognitively normal, mild cognitive impairment, and Alzheimer's disease, PLoS One 8 (1) (2013).
[27] محمد جليلي، تحليل نظري گراف از آلزايمر: تبعيض بيماران AD از افراد سالم، Inf. Sci. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Identifying and characterizing different stages toward Alzheimer's disease using ordered core features and machine learning, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, P.M. Thompson, et al., Predicting brain network changes in Alzheimer's 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 Alzheimer's disease, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Structural insights into aberrant topological patterns of large-scale cortical networks in Alzheimer's disease, 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, J.L. Dalboni da Rocha, D.B. Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho, et al., Ensemble classification of Alzheimer's disease and mild cognitive impairment based on complex graph measures from diffusion tensor images, Front. عصبي . 11 (2017) 56.
[34] R.S. Desikan, H.J. Cabral, B. Fischl, C.R. Guttmann, D. Blacker, B.T. Hyman, et al., Temporoparietal MR imaging measures of atrophy in subjects with mild cognitive impairment that predict a subsequent diagnosis of Alzheimer's disease, Am. J. Neuroradiol. 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, Tracing short connections of the temporoparieto-occipital region in the human brain using diffusion spectrum imaging and fiber dissection, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Genev, M. Xia, Y. Han, H. Song, et al., Altered functional connectiony of insular subregions in Alzheimer's disease, Front. عصبي پیری. 10 (2018) 107.