Karakteristike površinske bijele tvari kao biomarkeri za otkrivanje Alchajmerove bolesti i blagog kognitivnog oštećenja

Kontakt: emily.li@wecistanche.com

Bahare Bigham, et al

sažetak:

Pozadina:

Sa razvojem medicinskog snimanja i alata za obradu, tačna dijagnoza bolesti je omogućena zahvaljujući inteligentnim sistemima. Zbog izuzetne sposobnosti mašina za podršku vektorima (SVM) za dijagnostiku bolesti, sprovedena su opsežna istraživanja korišćenjem SVM algoritma za klasifikacijuAlchajmerova bolestbolest(AD) i blago kognitivno oštećenje (MCI).

Ciljevi:

U ovoj studiji primijenili smo automatiziranu metodu za klasifikaciju pacijenata saAlchajmerova bolestBolesti MCI i zdravi kontrolni (HC) subjekti na osnovu karakteristika difuzionog tenzora (DTI) u površinskoj bijeloj tvari (SWM).

Učesnici:

U tu svrhu, DTI podaci su preuzeti saAlchajmerova bolestBolestNeuroimaging Initiative (ADNI). Ova metoda je koristila DTI podatke od 72 ispitanika: 24 ispitanika sa HC, 24 ispitanika sa MCI i 24 ispitanika sa AD.

Mjerenja: DTI obrada je izvršena korištenjem DSI Studio softvera, a sve analize mašinskog učenja su izvedene korištenjem MATLAB softvera.

Rezultati:

Linearno jezgro SVM-a bilo je najbolji klasifikator, sa preciznošću od 95,8 posto izmeđuAlchajmerova bolestBolesti HC grupe, zatim kvadratno jezgro SVM-a sa tačnošću od 83,3 procenta između MCI i HC grupa, i Gausovo jezgro SVM-a sa tačnošću od 83,3 procenta između AD i MCI grupa. Zaključci: S obzirom na važnost dijagnosticiranja AD i MCI, kao i ulogu površinske bijele tvari u dijagnozi neurodegenerativnih bolesti, u ovoj studiji se razmatraju karakteristike različitih DTI metoda SWM-a, koje bi mogle biti korisno sredstvo za pomoć. u dijagnozi AD i MCI.

Ključne riječi: pomoćni vektorski stroj, difuziono tenzorsko snimanje,Alchajmerova bolestbolest, blago kognitivno oštećenje, površinska bijela tvar

Kliknite ovdje da biste dobili više informacija o Cistanche za Alchajmerovu bolest

1. Uvod

Zbog povećanja starenja stanovništva, precizno i ​​efikasno otkrivanjeAlchajmerova bolest(AD) je postalo važno pitanje u društvu [1]. Blago kognitivno oštećenje (MCI) je stanje između normalnog kognitivnog opadanja povezanog sa starenjem i težeg opadanja demencije. Budući da ne postoji specifičan lijek za MCI i postoji visok rizik od njegove progresije u demenciju, dijagnoza i prevencija bolesti su vrlo važni [2].

Neurodegenerativna bolest često pogađa određene regije mozga. Površinska bijela tvar (SWM) je jedna od regija za koje je utvrđeno da su vrlo osjetljive na mnoge bolesti, prema modelu retrogeneze [3, 4]. U ovoj studiji razvili smo model mašine za vektor podrške (SVM) koji klasifikuje HC, MCI i AD subjekte na osnovu karakteristika SWM.

Zbog razvoja tehnologije automatskih sistema u različitim oblastima medicinskih nauka, sistemi mašinskog učenja pomažu lekarima da automatski dijagnostikuju bolesti [5]. SVM, kao nadgledana tehnika mašinskog učenja, veoma je moćan alat u analitici velikih podataka [1].

Smatra se da tehnike snimanja mozga imaju potencijal za dijagnozu bolesti mozga. Koristeći ove tehnike, mogu se identificirati problemi u ljudskom mozgu, bez potrebe za invazivnom neurohirurgijom. Trenutno se u istraživačkim centrima i bolnicama širom svijeta koristi nekoliko prihvaćenih bezbednih tehnika snimanja [6]. Diffusion tensor imaging (DTI) je nova tehnika neuroimaging zasnovana na MRI koja omogućava procjenu integriteta neuronskih vlakana [7].

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

Metodom DTI rekonstrukcije izvedena su različita mjerenja, uključujući srednju difuzivnost (MD), frakcijsku anizotropiju (FA), aksijalnu difuzivnost (AxD) i radijalnu difuzivnost (RD). Mjerenja zasnovana na gustoći izvedena iz QSDR metode rekonstrukcije uključuju kvantitativnu anizotropiju (QA), izotropnu vrijednost (ISO), ograničenu difuziju (RDI) i tako dalje.

QA je metrika za kvantifikaciju populacije spina u određenom smjeru i razriješenu populaciju vlakana (posebno vlakna koja ukrštaju). Normalizirana QA (QA) skala se izračunava normalizacijom maksimalne vrijednosti QA na jedan tako da QA može biti uporediviji za sve subjekte [9].

RDI je metoda za kvantifikaciju gustine ograničene difuzije u odnosu na raspon difuzionog pomaka (npr. 10 mikrona) [10].

Mogućnost procjene glavnog smjera difuzije pomoću tenzora također je donijela tehniku ​​traktografije, koja je primijenjena za izračunavanje matrice povezivanja i mjera mreže [11].

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

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

Mrežna mjerenja uključuju asortativnost, efikasnost, PageRank, međusobnu povezanost, mrežu u malom svijetu i tako dalje; koriste se za bolje razumijevanje strukture i funkcije ljudskog mozga kao mreže [14].

Samo nekoliko studija je koristilo različite pristupe analize kao što su region od interesa (ROI), traktografija, te povezanost i mreža u DTI i QSDR rekonstrukciji. Primijenili smo SVM tehniku ​​zasnovanu na karakteristikama ekstrahovanim iz površinske bijele tvari gore navedenim metodama analize za automatsku binarnu detekciju AD i MCI, AD i HC, te MCI i HC.

2. Materijali i metode

Podaci predstavljeni u ovom članku su izvučeni iz mr. tezu i pregledan je i odobren od strane Etičkog komiteta Univerziteta medicinskih nauka u Mashhadu (etički broj: IR.MUMS.MEDICAL.REC.1397.320).

Koraci su sljedeći:

2.1. Prikupljanje podataka

Podaci za 72 učesnika iz tri grupe preuzeti su saAlchajmerova bolestBolestBaza podataka Neuroimaging Initiative (ADNI). Subjekti ove studije, uključujući subjekte iz AD (n=24), MCI (n=24) i kontrolne (n=24) grupe, regrutovani su iz ADNI2 projekta.

DTI cijelog mozga ispitanika generiran je iz projekta ADNI2 sa sljedećim parametrima skeniranja: Proizvođač ¼ GE MEDICAL SYSTEMS; Matrica X ¼ 256.0 piksela; Matrica Y ¼ 256.0 piksela; Matrica Z ¼ 2714.0; Veličina piksela X ¼ 1,4 mm; Veličina piksela Y ¼ 1,4 mm; PulseSequence ¼ EP/SE; vrijeme ponavljanja (TR) od 13000 ms, vrijeme odjeka (TE) od 68,3 ms, ugao preokreta od 90, jačina polja 3,0, debljina preseka 2,7 mm, 41 nekolinearni smjer sa b -vrijednost 1000 s/mm2, i 5 slika bez difuzionog ponderisanja. 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 karakteristike DTI tehnika u SWM-u (prikazane su na slici 1). Svi ovi procesi izvedeni su pomoću softvera DSI Studio (koji je razvio Fang-Cheng Yeh iz Advanced Biomedical MRI Lab, Nacionalna tajvanska univerzitetska bolnica, Tajvan, uz podršku Fiber Tractography Lab.

2.2.1. Predobrada i korak rekonstrukcije

Prije mjerenja DTI parametara, urađena je korekcija pomaka glave i vrtložne struje i skidanja lobanje. Za skidanje lobanje i filtriranje pozadinskog regiona, koristili smo maske koje je obezbedio DSI Studio. Zatim smo u sljedećem koraku koristili dvije različite metode rekonstrukcije uključujući bazu modela (DTI) i opciju slobodnog modela (QSDR) u DSI Studiju; sa dva različita stava za obradu difuzijskih slika.

2.2.2. ROI pristup

Nakon koraka rekonstrukcije, različiti DTI parametri su dobijeni iz ROI, traktografije i povezivanja, te mrežnih metoda. ROI je identitet za određenu svrhu, region SWM u trenutnoj studiji. Maska (u MNI prostoru) ove regije je dobijena iz slične studije Arasha Nazerija i saradnika [15, 16].

Prema podjeli regija mozga u Terminologia Anatomica 1998 [17] i Terminologia Neuroanatomica 2017 (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca. Federativni međunarodni program za anatomsku terminologiju, februar 2017.), podijelili smo SWM regiju na 12 anatomskih regija uključujući frontalni, parijetalni, temporalni, okcipitalni, limbički i ostrvski režnjevi (sa svake strane) prema Talairach Atlasu [18] (Slika 2). Ove regije su potvrdila dva iskusna radiologa. Konačno, dodali smo podregije SWM atlas za bolji i lakši pristup softverskim atlasima DSI-Studio. Ukupno je izračunato 12 SWM regija i prosječne vrijednosti DTI i QSDR za svaki region.

2.2.3. Traktografski pristup

Da bi se izdvojili parametri traktografije, FA i QA indeksi su korišteni za DTI i QSDR rekonstrukciju kako bi se odredio prag praćenja vlakana, respektivno. U početku su stavljene SWM regije (kao ROI) i traktografija je rađena odvojeno od regija. Traktografija svake SWM regije je izvedena sa 100000 sjemenki, nasumično generiranih na pozicijama subvoksela, a sjemenke su postavljene u sve SWM regije, sa veličinom koraka od 0 (0,5 voksela do 1,5 voxel distance) i vrijednost za izravnavanje od 1. Praćenje od primarnog vlakna tačke zasijavanja je postavljeno na streamline (Euler), a interpolacija smjera je postavljena na trilinearnu. Opseg dužine vlakana je postavljen između 30 i 300 mm.

2.2.4. Povezivanje i analiza mreže

Nakon izvođenja traktografije, metodom QSDR rekonstrukcije dobivena je strukturna povezanost između SWM regija mozga i mjerenja moždane mreže. Za to je korištena opcija "Matrica povezivanja" za izdvajanje parametara povezivanja i mreže. Tako da su nakon izvođenja traktografije cijelog mozga mjerenja međupovezanosti između regija SWM procijenjena na osnovu broja veza. Također, izmjerene informacije iz mreže (kao što su efikasnost, asortativnost, međusobnost, itd.) su izvučene iz različitih regiona SWM.

2.3. Metode klasifikacije

Uključili smo DTI parametre i rekonstrukcije i izmjerene parametre iz ROI, traktografije, povezivanja i mrežnih metoda (tj. FA, MD, RD, AxD i QA, QA, iso, RDI, mrežne vrijednosti i brojne veze između regija mozga). Za svaku grupu je konvertovano u CSV fajlove za unos MATLAB softvera za klasifikaciju. Karakteristike izdvojene iz svake se sastojale od 504 karakteristike ROI metode, 576 karakteristika metode traktografije i 702 karakteristike metode povezivanja i mreže. Nakon sortiranja karakteristika, vektor karakteristika za svaki subjekt je procijenjen iz 1782 karakteristike. Da bi se pripremile matrice karakteristika kao ulaz u SVM model klasifikacije, kreirane su međugrupne matrice (HC-AD, HC-MCI i MCI-AD) sa specifičnim oznakama za svaku grupu.

Sve analize mašinskog učenja izvedene su korišćenjem MATLAB softvera (R2014a). Koraci se mogu podijeliti na sljedeći dijagram toka (kao što je prikazano na slici 3).

Nakon DTI obrade podataka, ekstrakcije obilježja i kreiranja vektora karakteristika, izvršena je selekcija karakteristika.

2.3.1. Izbor karakteristika

U ovom istraživanju neuroimajdžinga, broj karakteristika po subjektu bio je veoma visok. Dakle, da bismo identificirali najrelevantnije karakteristike (ili parametre) za klasifikaciju, koristili smo metodu zasnovanu na filteru zasnovanom na brzoj korelaciji (FCBF), što je metoda odabira karakteristika za visokodimenzionalne podatke [19].

Nakon DTI obrade, odabir karakteristika se izvodi korištenjem FCBF metoda i koristi se u SVM-u za binarnu klasifikaciju.

2.3.2. Učenje i klasifikacija

Nakon odabira karakteristika, izvršili smo internu 5-unakrsnu provjeru podataka za obuku i primijenili SVM algoritam koristeći binarnu klasifikaciju između tri grupe. Unakrsna validacija je tehnika validacije modela koja se koristi da bi se osigurala generalizacija performansi; to je također metoda ponovnog uzorkovanja koja se koristi za procjenu modela ako imamo ograničene podatke [20]. Ukupno smo procijenili linearno, kvadratno, kubično i Gausovo jezgro (fino, srednje, grubo). Zbog boljih rezultata u linearnom, kvadratnom i Gaussovom jezgru i radi smanjenja složenosti studije, objavili smo rezultate ova tri jezgra. Na kraju, prikazujemo krivu radne karakteristike prijemnika (ROC) i površinu ispod krive (AUC) za najbolje jezgro u svakoj klasifikaciji (kao što je prikazano na slici 4).

2.3.3. Evaluacija

Kada je SVM algoritam obučen, rezultati uključujući tačnost, specifičnost i osetljivost, koji su definisani na sledeći način, koriste se za procenu performansi klasifikacije.

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

3. Rezultat

3.1. Demografske i kliničke karakteristike

Demografija i klinički rezultati učesnika prikazani su u Tabeli 1. Nije bilo značajnih razlika (P > 0.05) između tri grupe u pogledu starosti i spola (vidi tabelu 1). Minimalni pregled mentalnog stanja (MMSE), ocjena globalne kliničke demencije (CDR) i Upitnik funkcionalnih aktivnosti (FAQ) su se značajno razlikovali među tri grupe. Statistička analiza osnovnih informacija obavljena je pomoću SPSS 24.

3.2. Selektivne karakteristike površinske bijele tvari

FCBF metoda selekcije obeležja pokazala je 8 karakteristika za klasifikaciju MCI i HC, 25 karakteristika za klasifikaciju AD i HC i 17 karakteristika za klasifikaciju AD i MCI (tabela 2). Slika 5 prikazuje broj selektivnih karakteristika različitih metoda DTI.

3.3. Performanse klasifikacije

Srednja tačnost, osjetljivost i specifičnost su prikazani kao rezultati ove studije. Linearno jezgro SVM-a bilo je najbolji klasifikator, sa tačnošću od 95,8 procenata, osetljivošću od 95,8 procenata i specifičnošću od 95,8 procenata između AD i HC grupa, praćeno kvadratnim jezgrom SVM-a sa tačnošću od 83,3 procenata, osjetljivost od 94,4 posto i specifičnost od 76,6 posto između MCI i HC grupa i Gaussovog kernela SVM-a sa tačnošću od 83,3 posto, osjetljivošću od 80,7 posto i specifičnošću od 86.3 posto između AD i MCI grupe) kao što je prikazano u tabeli 1). Slika 6 prikazuje poređenje između tri jezgra i pronalazi najbolje jezgro u bilo kojoj klasifikaciji parova (vidi tabelu 3).

4. Diskusija

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

Površna bijela tvar je jedna od regija za koje je utvrđeno da su vrlo osjetljive na mnoge bolesti, prema modelu retrogeneze [23]. Iz tog razloga, ovo područje je istraženo u ovoj studiji.

Provedeno je nekoliko studija kako bi se napravila razlika između osoba s AD i MCI i zdravih osoba i mnogi istraživači su zainteresirani za pronalaženje metoda za razdvajanje ove tri grupe. U trenutnoj studiji, primenili smo automatizovanu metodu za klasifikaciju subjekata sa AD i MCI, i HC subjekata na osnovu DTI karakteristika u SWM.

Važno je napomenuti da arhitektura vlakana SWM-a (koji sadrži više populacija vlakana zvanih "ukrštajuća vlakna") pokazuje složeniji red od duboke bijele tvari (slika 7). Iz tog razloga, čini se neophodnim koristiti QSDR tehniku ​​rekonstrukcije, jer su metode bez modela preciznije u vokselima koji sadrže više populacija vlakana u usporedbi s metodama zasnovanim na modelu [24]. U tu svrhu koristili smo QSDR tehniku ​​zajedno sa tehnikom DTI rekonstrukcije.

Zbog razvoja inteligentnih sistema u različitim naukama, razvijen je sistem mašinskog učenja za klasifikaciju u paru između tri grupe. Koliko nam je poznato, ovo je prva studija koja koristi mašinu vektora podrške za identifikaciju karakteristika DTI tehnika u SWM-u.

Naši rezultati iz kontrolne naspram MCI klasifikacije pokazali su da je kvadratno jezgro najbolje za ovu klasifikaciju, sa preciznošću od 83,3 posto. Diskriminacija između pacijenata sa AD i starijih kontrolnih grupa pokazala je 95,8 posto tačnosti prema linearnom kernelu. Parametri povezivanja pokazali su veliki značaj u odabranim karakteristikama. Primjer ovih veza prikazan je na slici 8.

Općenito, istraživanje karakteristika moždane mreže može pružiti istraživačima informacije o većini neurodegenerativnih bolesti, uključujući AD i MCI. Nedavno je proučavanje mrežnih svojstava kod Alchajmerove bolesti privuklo pažnju nekoliko istraživača. Među ovim istraživačima su Daianu et al. [25], Seo et al. [26], Jalili et al. [27], Sheng et al. [28] i Sulaiman et al. [29]. Oni vjeruju da analiza povezanosti moždane mreže pruža značajno razumijevanje o tome kako se neuronski putevi raspadaju kod Alchajmerove bolesti. Na primjer, kao što je objavljeno u studiji Yongxia Zhou et al., karakteristika mreže malog svijeta u moždanom korteksu je bila u stanju da razlikuje pacijente od Alchajmerove bolesti i pacijente s MCI. U ovoj studiji, mreža malog svijeta, kao jedna od selektivnih karakteristika u površnoj bijeloj tvari, pokazala je sposobnost razlikovanja AD od MCI i mogla bi se koristiti za objašnjenje opadanja pamćenja i kognitivnih funkcija, u skladu s

nalazi prethodnih studija da je gubitak karakteristika mreže malog svijeta promijenjen kod pacijenata sa AD [30, 31, 32].

Takođe, mjerenje PageRank može istaknuti regije mozga s većim brojem vanjskih veza [33]. U našoj studiji, PageRank u frontalnoj i parijetalnoj regiji bio je jedna od najistaknutijih karakteristika za dijagnozu AD i mogao bi igrati važniju ulogu u mozgu.

Jedan od najvažnijih nalaza studije je dužina i broj trakta lijevog parijetalnog režnja u odvajanju AD od MCI. Studija Desikan et al. spominje važnost povrede 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 od kontrolne grupe, pregled parijetalnog režnja može biti od pomoći.

Takođe, dodajući traktografskim nalazima u AD naspram MCI poređenja, poremećaj u povezanosti između temporalnog i parijetalnog režnja, kao i limbičkog i okcipitalnog režnja je uočen kod AD. Drugim riječima, veze vlakana kratkog dometa u temporoparijetalnom dijelu mogu biti suštinski nalaz u razdvajanju ove dvije bolesti. Tempoparietalni dio igra vitalnu ulogu u ljudskim nervnim funkcijama na visokom nivou [35] koje mogu biti oštećene kod Alchajmerove bolesti. Desikan et al. ispitao atrofiju ove regije u AD [34]. Nalazi ove studije sa novom tehnikom i upotrebom karakteristika DTI metode mogu biti efikasni u odvajanju MCI od AD. Studija funkcionalne magnetne rezonance (fMRI) pokazala je da je insula ključna regija ljudskih moždanih mreža i najranjivija regija AD [36]; ova studija može potvrditi ove rezultate u površinskoj bijeloj tvari jer su karakteristike insule kao što su povezanost, iso, Tzz i Txy među odabranim i glavnim karakteristikama pacijenata sa Alchajmerom.

Većina studija je objavila da se vrijednosti DTI mijenjaju između AD i MCI grupa. Preciznost klasifikacije u ovoj studiji između AD i MCI bila je 83,3 posto po Gaussovom kernelu, koje je bilo najbolje jezgro 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 emisiona tomografija (PET) i podaci o proteinima CSF sa DTI podacima, a mogu biti i jedan od naše buduće ciljeve.

5. Zaključak

Zaključno, izveli smo metodu za automatsku diskriminaciju između pacijenata sa AD i MCI i zdravih kontrola. U ovoj studiji smo pokazali da se AD ili MCI mogu razlikovati od HC koristeći karakteristike SWM regiona kroz DTI. Dakle, karakteristike dobijene iz ROI, traktografije i metoda povezivanja i mreže mogu pomoći u dijagnozi AD i MCI. Konačno, ova studija pruža pozadinu za procjenu drugih metoda automatske klasifikacije u ovim regijama.

5.1. Ograničenja

Veličina uzorka u mašinskom učenju je ključni faktor koji utiče na performanse 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 strukturalna MRI klasifikacija kod Alchajmerove bolesti, Adv. Mol. Imag. 2012 (2012).
[2] SA Eshkoor, TA Hamid, CY Mun, CK Ng, Blago kognitivno oštećenje i njegovo liječenje kod starijih ljudi, 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 Alchajmerovoj bolesti, Hum. Brain Mapp. 37 (4) (2016) 1321–1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Izmijenjena površinska bijela tvar na traktografiji MRI kod Alchajmerove bolesti, Dementia Geriatr. Cognit. Disord. Dodatni 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, Primjena medicinske tehnologije 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., Testovi snimanja mozga za kronični 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 Alchajmerove bolesti koristeći veliki evropski multicentrični skup 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 generaliziranog Q-uzorkovanja slike i difuzionog tenzorskog snimanja u vizualizaciji ukrštanja neuronskih 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 koristeći difuzionu tenzorsku traktografiju i MRI generaliziranog uzorkovanja, PLoS One 10 (3) (2015).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, Mapiranje infiltracije imunoloških stanica korištenjem MRI ograničene difuzije, Magn. Reson. Med. 77 (2) (2017) 603–612.
[11] G. Prasad, TM Nir, AW Toga, PM Thompson, Gustoća traktografije i mjere mreže u Alchajmerovoj bolesti, u: 2013 IEEE 10th International Symposium on Biomedical Imaging, 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, Dijalozi Clin. Neurosci. 20 (2) (2018) 111.
[14] O. Sporns, JD Zwi, Mali svijet kore velikog mozga, Neuroinformatika 2 (2) (2004) 145–162.[15] A. Nazeri, MM Chakravarty, TK Rajji, D. Felsky, DJ Rotenberg, M. Mason, et al.,
Površna bijela tvar kao novi supstrat kognitivnog pada uzrokovanog 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 prema 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 ljudskog mozga-3-dimenzionalnog proporcionalnog sistema. Pristup cerebralnom snimanju, 1988.
[19] L. Yu, H. Liu, Izbor karakteristika za visokodimenzionalne podatke: rješenje filtera zasnovano na brzoj korelaciji, u Zbornik radova 20. međunarodne konferencije o mašinskom učenju (ICML-03), 2003, str. 856–{7}}.
[20] MW Browne, Metode unakrsne validacije, J. Math. Psihol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Osjetljivost, specifičnost, tačnost, povezani interval pouzdanosti i ROC analiza sa 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: Practical Handbook, Springer, 2015.

[23] B. Bigham, SA Zamanpour, F. Zemorshidi, F. Boroumand, H. Zare, Alzheimer's Disease Neuroimaging Initiative. Identifikacija površnih abnormalnosti bijele tvari kod Alchajmerove bolesti i blagog kognitivnog oštećenja korištenjem difuzionog tenzorskog snimanja, 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 generaliziranog q-uzorkovanja i snimanja difuzionog tenzora u preoperativnoj vizualizaciji nervnog vlakna trakti unutar peritumorskog edema u mozgu, Neurosurgery 73 (6) (2013) 1044–1053.
[25] M. Daianu, EL Dennis, N. Jahanshad, TM Nir, AW Toga, CR Jack, et al., Alchajmerova bolest remeti bogatu organizaciju klubova u mrežama povezivanja mozga, u: IEEE 10th International Symposium on Biomedical Imaging, IEEE 2013. , 2013, str. 266–269.
[26] EH Seo, DY Lee, J.-M. Lee, J.-S. Park, BK Sohn, DS Lee, et al., Funkcionalne mreže cijelog mozga kod kognitivno normalnog, blagog kognitivnog oštećenja i Alchajmerove bolesti, PLoS One 8 (1) (2013).
[27] M. Jalili, Teorijska analiza grafa Alchajmerove bolesti: diskriminacija pacijenata sa AD od zdravih subjekata, Inf. Sci. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Identificiranje i karakterizacija različitih faza prema Alchajmerovoj bolesti korištenjem uređenih osnovnih karakteristika i mašinskog učenja, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, PM Thompson, et al., Predviđanje promjena moždane mreže kod Alchajmerove bolesti s algoritmima za predviđanje veza, Mol. Biosyst. 13 (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang, et al., Abnormalne kortikalne mreže kod blagih kognitivnih oštećenja i Alchajmerove bolesti, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Strukturalni uvidi u aberantne topološke obrasce velikih kortikalnih mreža kod Alchajmerove bolesti, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Neuronske mreže u Alchajmerovoj 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., Ansambl klasifikacija Alchajmerove bolesti i blagog kognitivnog oštećenja zasnovana na kompleksnim mjerama grafa iz tenzora difuzije slike, Front. Neurosci. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman, et al., Temporoparijetalne MR imidžing mjere atrofije kod subjekata sa blagim kognitivnim oštećenjem koji predviđaju kasniju dijagnozu Alchajmerove 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 insularnih podregija kod Alchajmerove bolesti, Front. Aging Neurosci. 10 (2018) 107.