Skip to main content
NCBI home page
Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering logoLink to Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering
. 2019 Feb 25;36(1):94–100. [Article in Chinese] doi: 10.7507/1001-5515.201803039

基于结构磁共振成像海马多特征组合的阿尔茨海默病分类新方法

A new method for classification of Alzheimer’s disease combined with structural magnetic resonance imaging texture features

Tongpeng CHU 1, Chunlan YANG 1,*, Min LU 1, Shuicai WU 1
PMCID: PMC9929871  PMID: 30887782

Abstract

In this paper, a new method for the classification of Alzheimer’s disease (AD) using multi-feature combination of structural magnetic resonance imaging is proposed. Firstly, hippocampal segmentation and cortical thickness and volume measurement were performed using FreeSurfer software. Then, histogram, gradient, length of gray level co-occurrence matrix and run-length matrix were used to extract the three-dimensional (3D) texture features of the hippocampus, and the parameters with significant differences between AD, MCI and NC groups were selected for correlation study with MMSE score. Finally, AD, MCI and NC are classified and identified by the extreme learning machine. The results show that texture features can provide better classification results than volume features on both left and right sides. The feature parameters with complementary texture, volume and cortical thickness had higher classification recognition rate, and the classification accuracy of the right side (100%) was higher than that of the left side (91.667%). The results showed that 3D texture analysis could reflect the pathological changes of hippocampal structures of AD and MCI patients, and combined with multi-feature analysis, it could better reflect the essential differences between AD and MCI cognitive impairment, which was more conducive to clinical differential diagnosis.

Keywords: Alzheimer’s disease, hippocampus, three-dimensional texture, multi-features combination, extreme learning machine

引言

阿尔茨海默病（Alzheimer’s disease，AD）是一种神经退行性疾病，是痴呆最常见的原因[1]。据报道，在 65 岁以上人群中 AD 的患病率为 3.21%[2]，目前在中国有超过 700 万 AD 患者。结构磁共振成像（structural magnetic resonance imaging，sMRI）已被纳入 AD 诊断标准[3]。寻找有效的 sMRI 特征是近年来诊断 AD 的热点之一[4-6]。目前，海马体积是 AD 研究中使用最多的 sMRI 特征[7]，它是迄今唯一可进行临床试验的 sMRI 特征[8]。除海马外，基于 sMRI 其他区域的研究还包括杏仁核[9]、脑室和全脑[10]；其他特征还包括皮质厚度测量[11-12]、形状[13-14]、纹理[15-16]、大脑区域间的连接强度[17]，以及全脑形状的差异性[18]。研究表明，海马形状和纹理可以提供不依赖于海马体积的诊断信息[14, 16]，这提示某些 sMRI 特征可以相互补充。此外，应用于大脑不同部位的标记物会对疾病的不同阶段显示出敏感度。例如，海马在早期受到神经原纤维缠结的影响，而皮层仅在后期受到影响[19]。海马体积作为有效的 sMRI 特征在正常对照（normal controls，NC）和轻度认知功能障碍（mild cognitive impairment，MCI）、AD 的分类方面已得到较好的验证[20]，而皮质厚度测量已被证实能更好地分类 MCI 和 AD[11]。研究表明，海马三维纹理特征可以反映 AD 及 MCI 患者海马结构的病理变化，能够有效地分类识别 AD 组和 NC 组，并且采用右侧海马纹理特征进行分类，识别率更高，有助于 AD 的早期诊断[21-22]。因此，有研究尝试使用互补的组合特征，即体积和皮质厚度[5]。

影响 AD 认知功能的解剖结构包括海马、海马邻内嗅皮层及其连接途径。多形态感觉信息在皮质下的传递首先发送到内嗅皮层，然后通过海马旁回的白质向海马投射。因此，这三种结构中任何一个的损坏都可能会破坏对认知功能重要信息的传递。AD 的临床诊断大多发生在患者出现痴呆症状后，采用认知－精神量表评估及影像学检查等方法确定。其中简易智力状态检查（mini-mental state examination，MMSE）量表具有较好的筛查效果，是目前国际上普遍使用的认知功能障碍筛查工具之一。

本文基于 sMRI 提取海马体积和纹理特征，同时计算出海马邻内嗅皮层和海马旁回的表面积、体积、平均厚度、平均曲率以及海马旁白质体积，选取 AD、MCI 及 NC 两两组间双侧海马均具有显著差异的参数，与 MMSE 评分作相关性研究。探究基于 sMRI 鉴别 AD 的新组合特征，并通过极限学习机（extreme learning machine，ELM），对 AD、MCI 及 NC 进行分类识别以验证其可行性。

1. 材料和方法

1.1. 数据获取

考虑到大量的 sMRI 特征，需要对同一数据集上的方法进行标准化比较，以便更好地了解不同生物标志物的表现及其相互关系，本研究数据来自国际公认标准 ADNI（Alzheimer’s Disease Neuroimaging Initiative）数据库（ www.loni.ucla.edu/ADNI）。选取其中 3T 扫描的标准化数据集，共获得样本 60 例，其中 AD 组 18 例，MCI 组 20 例，NC 组 22 例。由表 1 可知，三组间性别（P = 0.389）和年龄（P = 0.359）差异均无统计学意义，MMSE 评分则显著不同（P < 0.001）；由 图 1 可知，AD 组及 MCI 组较 NC 组 MMSE 评分显著下降。

表 1. Demographic and clinical features of dataset.

数据集人口统计学和临床特征

指标 AD MCI NC P 值
注：*AD、MCI 及 NC 组 MMSE 评分两两组间双样本 t 检验，P 值均 < 0.001
年龄（ Inline graphic ）/岁 75.220 ± 8.482 74.900 ± 7.532 77.680 ± 4.133 0.359
性别（男/女） 5/13 16/4 9/13 0.389
MMSE 评分（ Inline graphic ） 21.916 ± 1.841 25.690 ± 2.328 29.227 ± 0.535 < 0.001*
Open in a new tab

图 1.

图 1

Open in a new tab

MMSE score of AD, MCI and NC groups

AD、MCI 和 NC 组 MMSE 评分

1.2. 海马分割及特征提取

海马分割的金标准是基于手动分割的结果，但非常耗时耗力，并且受到专家的主观影响。FreeSurfer（ http://www.freesurfer.net）是由 Athinoula A. Martinos 生物医学影像中心计算神经影像实验室开发的一款软件，用于分析结构和功能神经成像数据，可实现部分结果的可视化。基于 sMRI 数据，可完成大脑结构的体积分割、皮质表面重建、皮质分割和皮质厚度测量等。此前 FreeSurfer 5.1-5.3 版本完全基于体内图谱，导致很多局限性，具体为：用于构建图谱的训练数据分辨率不足以完全区分海马子结构，迫使它们严重依赖几何标准来追踪边界，这影响了其分割结构的准确度；体内图谱中缺少“分子层”；体内图谱的描绘方案是为海马体而设计的，并没有很好地顾及海马头部或尾部。FreeSurfer 6.0 版本的 Segmentation of hippocampal subfields 模块，基于超高分辨率（0.1 mm 各向同性）体外磁共振图像（magnetic resonance imaging，MRI）数据的统计图谱，可实现海马及其子结构自动分割[23]，能够避免由体内图谱划分的不足。因此，本文采用 FreeSurfer 6.0 版本进行海马及其子结构的分割。

基于 FreeSurfer 6.0，本文共分割出 12 个海马子结构，包括旁下托（parasubiculum）、前下托（presubiculum）、下托（subiculum）、CA1、CA3、CA4、齿状回颗粒细胞层（GC-DG）、海马杏仁核过渡带（HATA）、伞部（fimbria）、分子层（molecular_layer_HP）、海马裂（hippocampal_fissure）和海马尾（HP_tail），如图 2 所示。海马及其子结构体积，海马邻内嗅皮层表面积、体积、平均厚度和平均曲率，海马旁回表面积、体积、平均厚度和平均曲率，以及海马旁白质体积均由 FreeSurfer 软件计算得出。

图 2.

图 2

Open in a new tab

The segmentation results of the hippocampus

海马分割结果

1.3. 海马纹理

MRI 纹理分析是一种定量的方法，可用于检测和量化不同组织的结构异常。它能评估感兴趣区灰度空间分布的变化，这种灰度变化可对应于潜在的功能和解剖变化。

本文采用直方图、梯度、灰度共生矩阵及游程长度提取海马在 0°、45°、90°、135° 和 Ｚ 方向（垂直于每层海马方向）的三维纹理参数。分别计算海马在上述 5 个方向上的平均纹理参数，具体包括能量、对比度、相关、平方和、逆差矩、和均值、和方差、和熵、熵、差方差、差熵、游程长不均匀度因子、灰度不均匀度因子、长游程因子、短游程因子及行程比。

1.4. 统计分析

采用 IBM SPSS Statistics 24 软件，以海马子结构直方图、梯度、灰度共生矩阵、游程长度矩阵等三维纹理特征，海马及其子结构体积，海马邻内嗅皮层表面积、体积、平均厚度和平均曲率，海马旁回表面积、体积、平均厚度和平均曲率以及海马旁白质体积为因变量，AD、MCI 及 NC 组别为因子，进行单因素方差分析（ANOVA）及 Bonferroni 事后多重比较。选取 AD、MCI 及 NC 两两组间双侧海马均具有显著差异的参数（P < 0.05），与 MMSE 评分进行相关性研究，计算皮尔逊相关性系数，将变量间显著相关的参数（ P < 0.05）作为分类识别的特征参量。采用 ELM 网络模型进行样本的训练与测试，提出一种基于 sMRI 多特征组合的 AD 分类新方法。

1.5. 分类识别

选取 AD、MCI 及 NC 两两组间双侧海马均具有显著差异且与 MMSE 评分显著相关的参数作为分类识别的特征参量。

与传统的实现方式不同，ELM 随机地将广义单隐层前馈网络（single hidden layer feedforward network，SLFN）的所有隐藏节点参数进行分析并确定 SLFN 的输出权重，所有的隐藏节点参数都与目标函数或训练数据集无关，ELM 的所有参数都可以通过分析确定，而不是调整[24]。该算法在极快的学习速度下往往能够提供良好的泛化性能，因此本文通过 ELM，对 AD、MCI 及 NC 进行分类识别。

ELM 算法：给定训练集 Inline graphic Inline graphic ，激活函数 Inline graphic ，隐藏节点数 Inline graphic

（1）随机分配输入权重 Inline graphic 和偏差 Inline graphic , Inline graphic ；

（2）计算隐含层输出矩阵 Inline graphic ；

（3）计算输出权重 Inline graphic ：

Inline graphic , Inline graphic , 其中 Inline graphic 是 Inline graphic 的 Inline graphic 广义逆矩阵。

2. 结果

经单因素方差及 Bonferroni 事后多重比较分析，AD、MCI 及 NC 两两组间双侧海马均具有显著差异的参数如表 2 所示，包括海马三维纹理参数、体积参数及其他参数（海马邻内嗅皮层平均厚度和海马旁回平均厚度），共 26 个特征参量。选取组间有差异的参数与 MMSE 评分作相关性分析（见表 3），剔除掉无相关性的特性参数（逆差矩、海马旁回体积及旁下托体积），将筛选后的参数作为分类识别的特征参量。

表 2. Analysis results of multiple comparison of parameters between AD, MCI and NC.

AD、MCI 及 NC 三组间各参数事后多重比较分析结果

参数 P 值（左） P 值（右）
注：*为有统计学意义（P < 0.05）
海马邻内嗅皮层体积 < 0.001* < 0.001*
海马旁回体积 0.012* 0.005*
海马旁白质体积 0.306 0.334
海马尾体积 0.044* < 0.001*
下托体积 < 0.001* < 0.001*
CA1 体积 < 0.001* 0.003*
海马裂体积 0.003* 0.054
前下托体积 < 0.001* < 0.001*
旁下托体积 0.002* 0.026*
分子层体积 < 0.001* < 0.001*
齿状回颗粒细胞层体积 0.006* 0.004*
CA3 体积 0.131 0.037*
CA4 体积 0.008* 0.004*
伞部体积 0.001* 0.150
海马杏仁核过渡带体积 < 0.001* 0.002*
海马邻内嗅皮层表面积 0.075 0.345
海马邻内嗅皮层平均厚度 < 0.001* < 0.001*
海马邻内嗅皮层平均曲率 0.046* 0.781
海马旁回表面积 0.676 0.741
海马旁回平均厚度 0.001* < 0.001*
海马旁回平均曲率 0.075 0.118
能量 0.001* < 0.001*
对比度 < 0.001* < 0.001*
相关 < 0.001* < 0.001*
平方和 < 0.001* < 0.001*
逆差矩 0.024* < 0.001*
和均值 < 0.001* < 0.001*
和方差 < 0.001* < 0.001*
和熵 0.001* < 0.001*
熵 0.001* < 0.001*
差方差 < 0.001* < 0.001*
差熵 0.014* < 0.001*
游程长不均匀度因子 0.051 < 0.001*
灰度不均匀度因子 < 0.001* < 0.001*
长游程因子 0.097 0.006*
短游程因子 0.001* < 0.001*
行程比 0.528 0.025*
Open in a new tab

表 3. Correlation analysis results between group difference parameters and MMSE score.

组间差异参数与 MMSE 评分相关性分析结果

参数 MMSE 评分
r P 值（左） r P 值（右）
注：*为有统计学意义（P < 0.05）； r：皮尔逊相关系数
海马邻内嗅皮层体积 0.496 < 0.001* 0.436 < 0.001*
海马邻内嗅皮层平均厚度 0.459 < 0.001* 0.423 0.001*
海马旁回体积 0.246 0.058 0.247 0.057
海马旁回平均厚度 0.341 0.008* 0.401 0.001*
海马尾体积 0.293 0.023* 0.434 0.001*
下托体积 0.532 < 0.001* 0.498 < 0.001*
CA1 体积 0.438 < 0.001* 0.370 0.004*
前下托体积 0.500 < 0.001* 0.490 < 0.001*
旁下托体积 0.369 0.004* 0.200 0.126
分子层体积 0.464 < 0.001* 0.448 < 0.001*
齿状回颗粒细胞层体积 0.313 0.015* 0.374 0.003*
CA4 体积 0.309 0.016* 0.390 0.002*
海马杏仁核过渡带体积 0.350 0.006* 0.335 0.009*
能量 – 0.367 0.004* – 0.537 < 0.001*
对比度 0.635 < 0.001* 0.654 < 0.001*
相关 0.561 < 0.001* 0.497 < 0.001*
平方和 0.678 < 0.001* 0.674 < 0.001*
逆差矩 – 0.246 0.058 – 0.478 < 0.001*
和均值 – 0.706 < 0.001* – 0.710 < 0.001*
和方差 0.679 < 0.001* 0.675 < 0.001*
和熵 0.371 0.004* 0.538 < 0.001*
熵 0.352 0.006* 0.714 < 0.001*
差方差 0.639 < 0.001* 0.657 < 0.001*
游程长不均匀度因子 0.271 0.036* 0.490 < 0.001*
灰度不均匀度因子 – 0.732 < 0.001* – 0.754 < 0.001*
短游程因子 0.325 0.011* 0.497 < 0.001*
Open in a new tab

验证算法采用 ADNI 数据库中的 MRI 样本，为消除组间数据量不平衡对分类结果的影响，本文挑选 AD、MCI 及 NC 组各 18 例样本数据，随机选取 42 例样本作为训练集，剩余 12 例作为测试集，采用 ELM 网络模型进行样本的训练与测试，结果如图 3 所示。结果表明，无论左侧还是右侧，纹理特征相比于体积特征都可以提供更好的分类结果，纹理、体积和皮层厚度组合的特征参量具有更高的分类识别率，且右侧（100%）分类正确率高于左侧（91.667%）。

图 3.

Classification results by ELM

ELM 分类结果

Group1, 2 and 3 are AD group, MCI group and NC group respectively; Sample: sample number; true: true value; ELM: predicted value of ELM; V-accuracy, T-accuracy and C-accuracy refer to the classification accuracy rate when the input feature parameters of the classification model are volume, texture and combined features respectively

Group1、2、3 分别为 AD 组、MCI 组、NC 组；Sample：样本编号；true：真实值；ELM：极限学习机预测值；V-Accuracy、T-Accuracy、C-Accuracy 指分类模型输入特征参量分别为体积、纹理、组合特征时的分类正确率

图 3

Open in a new tab

3. 讨论

FreeSurfer 是一款免费软件，用于分析和可视化来自横断面或纵向研究的结构和功能神经影像数据，为 sMRI 数据提供完整的处理流程，包括：颅骨剥离、B1 偏置场校正、灰白质分割、重建皮层表面模型（灰白色边界表面和软脑膜表面）、标记皮质表面区域、标记皮层下大脑结构和统计分析组形态测量差异等。其提供了一套独立的海马子区分割工具，该工具可从超高分辨率离体扫描得到准确解剖学定义，已广泛应用于海马研究。

基于 sMRI 的海马体积是 AD 的核心生物标记物，被认为是神经退行性疾病的替代标记物，在疾病的病程中相对较为敏感。研究发现，还有其他的 sMRI 特征可获得更细微的信息，如皮层厚度、海马形状和海马纹理。这些 sMRI 特征已被证明可以预测 AD。MRI 纹理分析是一种定量的方法，可用于检测和量化不同组织的结构异常。它可以评估感兴趣区域的灰度空间分布的变化，这与潜在的功能和解剖学变化相对应。海马纹理特征能够很好地区分 AD 和 NC[25]，被广泛地应用于 AD 的早期诊断[15-16]。然而，目前大多数的 AD 分类研究中仅限于单一特征，而不是多特征[26-27]。令人兴奋的是，单独利用这些 MRI 生物标记物已被证明可预测 AD[14, 16]，因此有理由相信结合体积与这些标记物能够提高 sMRI 对 AD 病程的敏感程度。

基于以上研究，我们假设结合体积与这些特征会提高 AD 和 MCI 的分类准确率。本文基于 sMRI 获得海马体积和纹理特征描述，同时计算出海马邻内嗅皮层和海马旁回表面积、体积、平均厚度、平均曲率及海马旁白质体积，采用 IBM SPSS Statistics 24 软件进行单因素方差分析，选取 AD、MCI 及 NC 两两组间双侧海马均具有显著差异的参数，采用相关性分析研究其与 MMSE 评分的相关性，提出结合海马旁回和海马邻内嗅皮层平均厚度、海马体积及海马三维纹理参数的新组合大脑 T1 加权 sMRI 特征，并通过 ELM，对 AD、MCI 及 NC 进行分类识别。分析表明，无论左侧还是右侧，纹理特征相比于体积特征可以提供更好的分类结果，显示出海马纹理作为算法特征的重要性，这与先前的研究[16, 21-22]是一致的；此外，新组合特征具有更高的分类识别率，且右侧分类正确率高于左侧。我们提出的新组合特征提高了鉴别诊断 AD 和 MCI 的准确率，这与我们的假设相吻合。

我们发现，三维纹理分析能够反映 AD 及 MCI 患者海马结构的病理变化，并且结合多特征的分析更有助于 AD 的早期诊断。同时，采用右侧海马进行分类识别可能更有利于鉴别诊断 MCI 和 AD[22]。今后的研究中，应增加样本量对分类识别方法和新组合特征做进一步的研究。例如：基于 sMRI 提取更多信息，将皮层厚度、体积和纹理计算扩展到大脑的其他区域（如杏仁核），而不仅仅是海马。另一种选择是增加基于 T2 加权 sMRI 或功能 MRI 等提取的特征，可能会显著提高诊断性能。

Funding Statement

国家自然科学基金（31640035，71661167001）；北京市自然科学基金（4162008）；北京市科技新星计划（Z161100004916157）；北京市教委科技计划项目（PXM2017_014204_500012）

References

  • 1.Wilson R S, Segawa E, Boyle P A, et al The natural history of cognitive decline in Alzheimer’s disease. Psychol Aging. 2012;27(4):1008–1017. doi: 10.1037/a0029857. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 2.Jia Jianping, Wang Fen, Wei Cuibai, et al The prevalence of dementia in urban and rural areas of China. Alzheimers Dement. 2014;10(1):1–9. doi: 10.1016/j.jalz.2013.01.012. [DOI] [PubMed] [Google Scholar]
  • 3.Jack C R, Albert M S, Knopman D S, et al Introduction to the recommendations from the National Institute on Aging-Alzheimer’s Association workgroups on diagnostic guidelines for Alzheimer’s disease. Alzheimers Dement. 2011;7(3):257–262. doi: 10.1016/j.jalz.2011.03.004. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 4.Ramani A, Jensen J H, Helpern J A Quantitative MR imaging in Alzheimer disease. Radiology. 2006;241(1):26–44. doi: 10.1148/radiol.2411050628. [DOI] [PubMed] [Google Scholar]
  • 5.Cuingnet R, Gerardin E, Tessieras J, et al Automatic classification of patients with Alzheimer’s disease from structural MRI: a comparison of ten methods using the ADNI database. Neuroimage. 2011;56(2):766–781. doi: 10.1016/j.neuroimage.2010.06.013. [DOI] [PubMed] [Google Scholar]
  • 6.Falahati F, Westman E, Simmons A Multivariate data analysis and machine learning in Alzheimer’s disease with a focus on structural magnetic resonance imaging. J Alzheimers Dis. 2014;41(3):685–708. doi: 10.3233/JAD-131928. [DOI] [PubMed] [Google Scholar]
  • 7.Jack C R, Barkhof F, Bernstein M A, et al Steps to standardization and validation of hippocampal volumetry as a biomarker in clinical trials and diagnostic criterion for Alzheimer’s disease. Alzheimers Dement. 2011;7(4):474–485. doi: 10.1016/j.jalz.2011.04.007. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 8.Hill D L G, Schwarz A J, Isaac M, et al Coalition Against Major Diseases/European Medicines Agency biomarker qualification of hippocampal volume for enrichment of clinical trials in predementia stages of Alzheimer’s disease. Alzheimers Dement. 2014;10(4):421–429. doi: 10.1016/j.jalz.2013.07.003. [DOI] [PubMed] [Google Scholar]
  • 9.Poulin S P, Dautoff R, Morris J C, et al Amygdala atrophy is prominent in early Alzheimer’s disease and relates to symptom severity. Psychiatry Research: Neuroimaging. 2011;194(1):7–13. doi: 10.1016/j.pscychresns.2011.06.014. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 10.Tanabe J L, Amend D, Schuff N, et al Tissue segmentation of the brain in Alzheimer disease. Am J Neuroradiol. 1997;18(1):115–123. [PMC free article] [PubMed] [Google Scholar]
  • 11.Singh V, Chertkow H, Lerch J P, et al Spatial patterns of cortical thinning in mild cognitive impairment and Alzheimer’s disease. Brain. 2006;129(11):2885–2893. doi: 10.1093/brain/awl256. [DOI] [PubMed] [Google Scholar]
  • 12.Eskildsen S F, Coup P, Garca-Lorenzo D, et al For the Alzheimer’s Disease Neuroimaging Initiative Prediction of Alzheimer’s disease in subjects with mild cognitive impairment from the ADNI cohort using patterns of cortical thinning. Neuroimage. 2013;65:511–521. doi: 10.1016/j.neuroimage.2012.09.058. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 13.Gerardin E, Chételat G, Chupin M, et al Multidimensional classification of hippocampal shape features discriminates Alzheimer’s disease and mild cognitive impairment from normal aging. Neuroimage. 2009;47(4):1476–1486. doi: 10.1016/j.neuroimage.2009.05.036. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 14.Achterberg H C, van der Lijn F, den Heijer T A, et al Hippocampal shape is predictive for the development of dementia in a normal, elderly population. Hum Brain Mapp. 2014;35(5):2359–2371. doi: 10.1002/hbm.22333. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 15.Chincarini A, Bosco P, Calvini P, et al Local MRI analysis approach in the diagnosis of early and prodromal Alzheimer’s disease. Neuroimage. 2011;58(2):469–480. doi: 10.1016/j.neuroimage.2011.05.083. [DOI] [PubMed] [Google Scholar]
  • 16.Sorensen L, Igel C, Hansen N L, et al Early detection of Alzheimer’s disease using MRI hippocampal texture. Hum Brain Mapp. 2016;37(3):1148–1161. doi: 10.1002/hbm.23091. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 17.Lillemark L, Sorensen L, Pai A, et al Brain region’s relative proximity as marker for Alzheimer’s disease based on structural MRI. BMC Med Imaging. 2014;14(1):21. doi: 10.1186/1471-2342-14-21. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 18.Klein S, Loog M, van der Lijn F, et al. Early diagnosis of dementia based on intersubject whole-brain dissimilarities//2010 IEEE International Symposium on Biomedical Imaging: From Nano to Macro. Rotterdam, Netherlands: IEEE, 2010: 249-252.
  • 19.Braak H, Braak E Neuropathological stageing of Alzheimer-related changes. Acta Neuropathol. 1991;82(4):239–259. doi: 10.1007/BF00308809. [DOI] [PubMed] [Google Scholar]
  • 20.Colliot O, Chételat G, Chupin M, et al Discrimination between Alzheimer disease, mild cognitive impairment, and normal aging by using automated segmentation of the hippocampus. Radiology. 2008;248(1):194–201. doi: 10.1148/radiol.2481070876. [DOI] [PubMed] [Google Scholar]
  • 21.胡玲静, 李昕, 夏翃, 等 基于 MR 图像的阿尔茨海默病和轻度认知障碍患者海马三维纹理分析. 北京工业大学学报. 2012;38(6):942–948. [Google Scholar]
  • 22.于鲁, 夏翃, 刘卫芳 基于磁共振图像海马三维纹理特征的阿尔茨海默病及健康对照的分类研究. 生物医学工程学杂志. 2016;33(6):1090–1094. [PubMed] [Google Scholar]
  • 23.Iglesias J E, Augustinack J C, Nguyen K, et al; Alzheimer’s Disease Neuroimaging Initiative A computational atlas of the hippocampal formation using ex vivo, ultra-high resolution MRI: application to adaptive segmentation of in vivo MRI . NeuroImage. 2015;115:117–137. doi: 10.1016/j.neuroimage.2015.04.042. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 24.Huang Guangbin, Zhou Hongming, Ding Xiaojian, et al Extreme learning machine for regression and multiclass classification. IEEE Trans Syst Man Cybern B Cybern. 2012;42(2):513–529. doi: 10.1109/TSMCB.2011.2168604. [DOI] [PubMed] [Google Scholar]
  • 25.Rajeesh J. Automatic detection of alzheimers disease using hippocampus MRI texture features. Chennai: Anna University, 2011.
  • 26.Li Xin, Xia Hong, Zhou Zhen, et al 3D texture analysis of hippocampus based on MR images in patients with Alzheimer disease and mild cognitive impairment. J Beijing Univ Technol. 2012;38(6):942–948. [Google Scholar]
  • 27.de Oliveira M S, Betting L E, Mory S B, et al Texture analysis of magnetic resonance images of patients with juvenile myoclonic epilepsy. Epilepsy Behav. 2013;27(1):22–28. doi: 10.1016/j.yebeh.2012.12.009. [DOI] [PubMed] [Google Scholar]

Articles from Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering are provided here courtesy of West China Hospital of Sichuan University

RESOURCES