Vlastnosti povrchové bílé hmoty jako biomarkery pro detekci Alzheimerovy choroby a mírné kognitivní poruchy

Kontakt: emily.li@wecistanche.com

Bahare Bigham a kol

Abstraktní:

Pozadí:

S rozvojem lékařských zobrazovacích a zpracovatelských nástrojů umožnily inteligentní systémy přesnou diagnostiku nemocí. Vzhledem k pozoruhodné schopnosti podpůrných vektorových strojů (SVM) pro diagnostiku chorob byl proveden rozsáhlý výzkum využívající algoritmu SVM pro klasifikaciAlzheimerova chorobachoroba(AD) a mírná kognitivní porucha (MCI).

Cíle:

V této studii jsme použili automatizovanou metodu klasifikace pacientůAlzheimerova chorobaChorobaa MCI a zdravých kontrolních (HC) subjektů na základě vlastností difúzního tenzorového zobrazování (DTI) v povrchové bílé hmotě (SWM).

Účastníci:

Za tímto účelem byla data DTI stažena zAlzheimerova chorobaChorobaNeuroimaging Initiative (ADNI). Tato metoda využívala data DTI od 72 subjektů: 24 subjektů s HC, 24 subjektů s MCI a 24 subjektů s AD.

Měření: Zpracování DTI bylo provedeno pomocí softwaru DSI Studio a všechny analýzy strojového učení byly provedeny pomocí softwaru MATLAB.

Výsledek:

Lineární jádro SVM bylo nejlepším klasifikátorem s přesností 95,8 procentaAlzheimerova chorobaChorobaa HC skupiny, následované kvadratickým jádrem SVM s přesností 83,3 procenta mezi skupinami MCI a HC a Gaussovým jádrem SVM s přesností 83,3 procent mezi skupinami AD a MCI. Závěry: Vzhledem k důležitosti diagnostiky AD a MCI a také roli povrchové bílé hmoty v diagnostice neurodegenerativních onemocnění jsou v této studii diskutovány vlastnosti různých metod DTI SWM, které by mohly být užitečným nástrojem pro pomoc v diagnostice AD ​​a MCI.

Klíčová slova: podpůrný vektorový stroj, difúzní tenzorové zobrazování,Alzheimerova chorobachoroba, mírná kognitivní porucha, Povrchová bílá hmota

Kliknutím sem získáte více informací o přípravku Cistanche pro Alzheimerovu chorobu

1. Úvod

Vzhledem k nárůstu stárnutí populace je přesná a účinná detekceAlzheimerova choroba(AD) se stal důležitým společenským problémem [1]. Mírná kognitivní porucha (MCI) je stav mezi normálním kognitivním poklesem souvisejícím se stárnutím a závažnějším poklesem demence. Vzhledem k tomu, že neexistuje žádný specifický lék na MCI a existuje vysoké riziko jejího progrese do demence, je diagnostika a prevence onemocnění velmi důležitá [2].

Neurodegenerativní onemocnění často postihuje určité oblasti mozku. Povrchová bílá hmota (SWM) je jednou z oblastí, která byla podle modelu retrogeneze shledána vysoce zranitelnou vůči mnoha chorobám [3, 4]. V této studii jsme vyvinuli model podpůrného vektorového stroje (SVM), který klasifikuje subjekty HC, MCI a AD na základě vlastností SWM.

Díky vývoji technologie automatických systémů v různých oblastech lékařských věd pomáhají systémy strojového učení lékařům automaticky diagnostikovat nemoci [5]. SVM, jako technika strojového učení pod dohledem, je velmi výkonný nástroj v analýze velkých dat [1].

Techniky zobrazování mozku jsou široce považovány za techniky, které mají potenciál pro diagnostiku onemocnění mozku. Pomocí těchto technik lze identifikovat problémy v lidském mozku bez nutnosti invazivní neurochirurgie. V současné době se ve výzkumných centrech a nemocnicích po celém světě používá několik uznávaných bezpečných zobrazovacích technik [6]. Diffusion tensor imaging (DTI) je nová neurozobrazovací technika založená na MRI, která umožňuje posouzení integrity neuronálního vlákna [7].

Rekonstrukci dat DTI lze rozdělit do dvou kategorií: metody bez modelu a metody založené na modelu. Metody založené na modelu, jako je rekonstrukce DTI, předpokládají, že tvar difúze vody sleduje 3D Gaussův vzor, ​​ale neexistuje žádný předpoklad distribuce v metodě bez modelu, jako je metoda q-prostorové difeomorfní rekonstrukce (QSDR). Metoda QSDR rekonstruuje data v prostoru Montrealského neurologického institutu (MNI) [8]. Software DSI Studio (www.dsi-s tudio.labsolver.org) podporuje metody rekonstrukce založené na modelu i bez modelu.

Z rekonstrukční metody DTI jsou odvozena různá měření včetně střední difuzivity (MD), frakční anizotropie (FA), axiální difuzivity (AxD) a radiální difuzivity (RD). Měření založená na hustotě odvozená z metody rekonstrukce QSDR zahrnují kvantitativní anizotropii (QA), izotropní hodnotu (ISO), zobrazování s omezenou difuzí (RDI) a tak dále.

QA je metrika pro kvantifikaci populace spinů v konkrétním směru a rozlišení populace vláken (konkrétně křížení vláken). Normalizovaná škála QA (QA) se vypočítá normalizací maximální hodnoty QA na jednu, takže QA může být srovnatelnější napříč subjektem [9].

RDI je metoda pro kvantifikaci hustoty omezené difúze s ohledem na rozsah difúzního posunutí (např. 10 mikronů) [10].

Schopnost odhadnout hlavní směr difúze pomocí tenzoru také přinesla techniku ​​traktografie, která byla použita k výpočtu matice konektivity a síťových měření [11].

Mozek je reprezentován jako komplexní síť sestávající z neuronů a oblastí mozku, které jsou strukturálně a funkčně příbuzné. Mozková síť (neboli graf) se skládá z uzlů (představujících neurony nebo oblasti mozku) propojených čarami (spojitelnost mezi oblastmi mozku) [12].

Síťová věda může pomoci snížit složitost analytické architektury mozku a pochopit vzorce propojení mozku a může poskytnout informace o klinických poruchách [13].

Síťová měření zahrnují rozmanitost, efektivitu, hodnocení PageRank, mezisíť, síť v malém světě a tak dále; slouží k lepšímu pochopení struktury a funkce lidského mozku jako sítě [14].

Pouze několik studií použilo různé analytické přístupy, jako je oblast zájmu (ROI), traktografie a konektivita a síť v rekonstrukci DTI i QSDR. Použili jsme techniku ​​SVM založenou na vlastnostech extrahovaných z povrchové bílé hmoty výše uvedenými analytickými metodami pro automatizovanou binární detekci AD a MCI, AD a HC a MCI a HC.

2. Materiály a metody

Údaje uvedené v tomto článku jsou získány z titulu M.Sc. práce a byla přezkoumána a schválena Etickou komisí Mashhad University of Medical Sciences (etické číslo: IR.MUMS.MEDICAL.REC.1397.320).

Postup je následující:

2.1. Získávání dat

Data 72 účastníků ze tří skupin byla stažena zAlzheimerova chorobaChorobaDatabáze Neuroimaging Initiative (ADNI). Subjekty této studie včetně subjektů z AD (n ¼ 24), MCI (n ¼ 24) a kontrolní (n ¼ 24) skupiny byly rekrutovány z projektu ADNI2.

DTI celého mozku subjektů byly generovány z projektu ADNI2 s následujícími parametry skenování: Výrobce ¼ GE MEDICAL SYSTEMS; Matice X ¼ 256.0 pixelů; Matice Y ¼ 256.0 pixelů; Matice Z ¼ 2714.0; Velikost pixelu X ¼ 1,4 mm; Velikost pixelu Y ¼ 1,4 mm; PulseSequence ¼ EP/SE; doba opakování (TR) 130}00 ms, doba ozvěny (TE) 68,3 ms, úhel převrácení 90, intenzita pole 3,0, tloušťka řezu 2,7 mm, 41 nekolineárních směrů s ab -hodnota 1000 s/mm2 a 5 snímků bez difúzního vážení. Kromě snímků byla stažena také klinická a neuropsychologická data subjektů.

2.2. Zpracování DTI

Pro každé nezpracované údaje byly provedeny následující hlavní kroky k extrakci rysů technik DTI v SWM (zobrazeno na obrázku 1). Všechny tyto procesy byly provedeny pomocí softwaru DSI Studio (vyvinutého Fang-Chengem Yehem z Advanced Biomedical MRI Lab, National Taiwan University Hospital, Taiwan, s podporou Fiber Tractography Lab.

2.2.1. Krok předzpracování a rekonstrukce

Před měřením parametrů DTI byla provedena korekce pohybu hlavy a vířivých proudů a stripping lebky. Pro odstranění lebky a filtrování oblasti pozadí jsme použili masky poskytnuté DSI Studio. V dalším kroku jsme pak použili dvě různé metody rekonstrukce včetně modelové báze (DTI) a možnosti volného modelu (QSDR) v DSI Studio; se dvěma různými přístupy ke zpracování difúzních obrazů.

2.2.2. ROI přístup

Po kroku rekonstrukce byly získány různé parametry DTI z ROI, traktografie a konektivity a síťových metod. ROI je identita pro konkrétní účel, oblast SWM v současné studii. Maska (v prostoru MNI) této oblasti byla získána z podobné studie Arashe Nazeriho et al [15, 16].

Podle rozdělení oblastí mozku v Terminologia Anatomica 1998 [17] a Terminologia Neuroanatomica 2017 (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca. Federativní mezinárodní program pro anatomickou terminologii, únor 2017) jsme oblast SWM rozdělili na 12 anatomických oblastí včetně frontálních, parietálních, temporálních, okcipitálních, limbických a insulárních laloků (na každé straně) podle Talairachova atlasu [18] (obrázek 2). Tyto oblasti potvrdili dva zkušení radiologové. Nakonec jsme přidali subregiony SWM atlas pro lepší a snadnější přístup k softwarovým atlasům DSI-Studio. Celkem bylo pro každou oblast vypočteno 12 oblastí SWM a průměrné hodnoty DTI a QSDR.

2.2.3. Traktografický přístup

Aby bylo možné extrahovat parametry traktografie, byly použity indexy FA a QA pro rekonstrukci DTI a QSDR ke stanovení prahu sledování vláken. Zpočátku byly umístěny oblasti SWM (jako ROI) a traktografie byla prováděna odděleně od oblastí. Traktografie každé oblasti SWM byla provedena s 100000 semeny, náhodně generovanými v pozicích subvoxelů, a semena byla umístěna napříč všemi oblastmi SWM, s velikostí kroku 0 (0,5 voxelů na vzdálenost 1,5 voxelu) a hodnotu vyhlazování 1. Sledování z primárního vlákna osazovacího bodu bylo nastaveno na proudnicové (Euler) a směrová interpolace byla nastavena na trilineární. Rozsah délky vlákna byl nastaven mezi 30 a 300 mm.

2.2.4. Analýza konektivity a sítě

Po provedení traktografie byla strukturální konektivita mezi oblastmi SWM mozku a měřeními mozkové sítě získána metodou rekonstrukce QSDR. K tomu byla použita volba "Connectivity matrix" pro extrakci parametrů konektivity a sítě. Takže po provedení traktografie celého mozku byla na základě počtu spojení vyhodnocena měření propojení mezi oblastmi SWM. Také naměřené informace ze sítě (jako je účinnost, asortativita, vzájemnost atd.) byly extrahovány z různých oblastí SWM.

2.3. Klasifikační metody

Zahrnuli jsme parametry DTI rekonstrukce i měřené parametry z ROI, traktografie, konektivity a síťových metod (tj. FA, MD, RD, AxD a QA, QA, iso, RDI, síťové hodnoty a řada připojení mezi oblastmi mozku). Pro každou skupinu byly převedeny do CSV souborů pro zadání softwaru MATLAB pro klasifikaci. Funkce extrahované z každého se skládaly z 504 funkcí metody ROI, 576 funkcí metody traktografie a 702 funkcí metody připojení a sítě. Po seřazení prvků byl vektor prvků pro každý předmět odhadnut z 1782 prvků. Aby bylo možné připravit matice rysů jako vstup do modelu klasifikace SVM, byly vytvořeny meziskupinové matice (HC-AD, HC-MCI a MCI-AD) se specifickými štítky pro každou skupinu.

Všechny analýzy strojového učení byly provedeny pomocí softwaru MATLAB (R2014a). Kroky lze rozdělit do následujícího vývojového diagramu (jak je znázorněno na obrázku 3).

Po zpracování dat DTI, extrakci prvku a vytvoření vektoru prvku byl proveden výběr prvku.

2.3.1. Výběr funkcí

V tomto neurozobrazovacím výzkumu byl počet funkcí na subjekt velmi vysoký. K identifikaci nejrelevantnějších znaků (nebo parametrů) pro klasifikaci jsme tedy použili metodu založenou na filtru založeném na rychlé korelaci (FCBF), což je metoda výběru znaků pro vysokorozměrná data [19].

Po zpracování DTI se provede výběr vlastností pomocí metod FCBF a použije se v SVM pro binární klasifikaci.

2.3.2. Učení a klasifikace

Po výběru funkce jsme provedli interní 5-násobnou křížovou validaci trénovacích dat a použili jsme algoritmus SVM pomocí binární klasifikace mezi těmito třemi skupinami. Křížová validace je modelová validační technika používaná k zajištění zobecnění výkonu; je to také metoda opakovaného vzorkování používaná k posouzení modelu, pokud máme omezená data [20]. Celkem jsme hodnotili lineární, kvadratická, kubická a gaussovská jádra (jemná, střední, hrubá). Kvůli lepším výsledkům v lineárních, kvadratických a gaussovských jádrech a kvůli snížení složitosti studie jsme uvedli výsledky těchto tří jader. Nakonec ukážeme křivku provozní charakteristiky přijímače (ROC) a plochu pod křivkou (AUC) pro nejlepší jádro v každé klasifikaci (jak je znázorněno na obrázku 4).

2.3.3. Hodnocení

Jakmile je algoritmus SVM natrénován, výsledky včetně přesnosti, specifičnosti a citlivosti, které jsou definovány následovně, se použijí k vyhodnocení výkonnosti klasifikace.

Obecně se v těchto rovnicích pravdivě pozitivní (TP) týká počtu pacientů správně předpovězených, falešně pozitivní (FP) se týká počtu zdravých kontrol předpovězených nesprávně jako pacientů, skutečně negativní (TN) se týká počtu zdravých kontrol předpovězených správně. a falešně negativní (FN) se vztahuje k počtu pacientů, u nichž se nesprávně predikovalo, že jsou zdraví [21].

3. Výsledek

3.1. Demografické a klinické charakteristiky

Demografické údaje a klinické skóre účastníků jsou uvedeny v tabulce 1. Mezi těmito třemi skupinami nebyly žádné významné rozdíly (P > 0,05) s ohledem na věk a pohlaví (viz tabulka 1). Skóre mini-mentálního vyšetření (MMSE), globálního hodnocení klinické demence (CDR) a dotazníku funkčních aktivit (FAQ) byly mezi těmito třemi skupinami významně odlišné. Statistická analýza základních informací byla provedena pomocí SPSS 24.

3.2. Selektivní rysy povrchové bílé hmoty

FCBF metoda výběru znaků ukázala 8 znaků pro klasifikaci MCI a HC, 25 znaků pro klasifikaci AD a HC a 17 znaků pro klasifikaci AD a MCI (tabulka 2). Obrázek 5 ukazuje počet selektivních znaků různých metod DTI.

3.3. Klasifikační výkon

Průměrná přesnost, senzitivita a specificita byly uvedeny jako výsledky této studie. Lineární jádro SVM bylo nejlepším klasifikátorem s přesností 95,8 procenta, senzitivitou 95,8 procenta a specificitou 95,8 procenta mezi skupinami AD a HC, následované kvadratickým jádrem SVM s přesností 83,3 procenta. citlivost 94,4 procenta a specificitu 76,6 procenta mezi skupinami MCI a HC a Gaussovým jádrem SVM s přesností 83,3 procenta , senzitivitou 80,7 procenta a specificitou 86,3 procenta mezi skupiny AD a MCI), jak je uvedeno v tabulce 1). Obrázek 6 ukazuje srovnání mezi třemi jádry a najde nejlepší jádro v jakékoli klasifikaci párů (viz tabulka 3).

4. Diskuze

Existují různé metody pro analýzu dat DTI a každá metoda má své silné a slabé stránky. V této studii jsme použili tři metody, jmenovitě ROI, traktografii, konektivitu a síťovou analýzu, abychom získali charakteristiky povrchové bílé hmoty [22].

Povrchová bílá hmota je jednou z oblastí, u kterých bylo zjištěno, že jsou vysoce zranitelné vůči mnoha nemocem podle modelu retrogeneze [23]. Z tohoto důvodu byla tato oblast v této studii zkoumána.

Bylo provedeno několik studií k rozlišení mezi jednotlivci s AD a MCI a zdravými jednotlivci a mnoho výzkumníků se zajímá o nalezení metod k oddělení těchto tří skupin. V současné studii jsme použili automatizovanou metodu pro klasifikaci subjektů s AD a MCI a HC subjektů na základě funkcí DTI v SWM.

Je důležité poznamenat, že vláknitá architektura SWM (obsahující více populací vláken nazývaných „křížící vlákna“) vykazuje složitější uspořádání než hluboká bílá hmota (obrázek 7). Z tohoto důvodu se zdá být nezbytné použít rekonstrukční techniku ​​QSDR, protože bezmodelové metody jsou přesnější u voxelů obsahujících více populací vláken ve srovnání s metodami založenými na modelu [24]. Za tímto účelem jsme použili techniku ​​QSDR spolu s technikou rekonstrukce DTI.

Kvůli vývoji inteligentních systémů v různých vědách byl vyvinut systém strojového učení pro párovou klasifikaci mezi tři skupiny. Pokud je nám známo, jedná se o první studii využívající podpůrný vektorový stroj k identifikaci rysů technik DTI v SWM.

Naše výsledky z klasifikace kontrola versus MCI ukázaly, že kvadratické jádro bylo nejlepším jádrem pro tuto klasifikaci s přesností 83,3 procenta. Rozlišení mezi pacienty s AD a staršími kontrolami ukázalo 95,8% přesnost lineárního jádra. Parametry konektivity ukázaly velký význam u vybraných funkcí. Příklad těchto zapojení je na obrázku 8.

Obecně může výzkum funkcí mozkové sítě poskytnout výzkumníkům informace o většině neurodegenerativních onemocnění, včetně AD a MCI. V poslední době přitáhla pozornost několika výzkumníků studie síťových vlastností u Alzheimerovy choroby. Mezi tyto výzkumníky patří Daianu et al. [25], Seo a kol. [26], Jalili a kol. [27], Sheng a kol. [28] a Sulaiman et al. [29]. Věří, že analýza konektivity mozkové sítě poskytuje významné pochopení toho, jak se nervové dráhy rozpadají u Alzheimerovy choroby. Například, jak uvádí studie Yongxia Zhou et al., rys sítě malého světa v mozkové kůře dokázal rozlišit mezi pacienty s Alzheimerovou chorobou a pacienty s MCI. V této studii síť malého světa jako jeden ze selektivních rysů v povrchové bílé hmotě prokázala schopnost odlišit AD od MCI a mohla by být použita k vysvětlení poklesu paměti a kognitivních funkcí v souladu s

zjištění předchozích studií, že ztráta charakteristik sítě malého světa je u pacientů s AD změněna [30, 31, 32].

Měření PageRank také může zvýraznit oblasti mozku s vyšším počtem externích odkazů [33]. V naší studii byl PageRank ve frontální a parietální oblasti jedním z hlavních identifikovaných znaků pro diagnostiku AD a mohl by hrát důležitější roli v mozku.

Jedním z nejdůležitějších zjištění studie je délka a počet traktů levého parietálního laloku při separaci AD od MCI. Studie Desikana et al. zmínila důležitost poranění parietálního laloku jako prediktor progrese z MCI do AD [34]. Výsledky traktografie této studie mohou potvrdit závěry předchozí studie v regionu SWM. Protože MCI mají vyšší riziko rozvoje AD než kontroly, vyšetření parietálního laloku může být užitečným ukazatelem.

Kromě traktografických nálezů při srovnání AD versus MCI bylo také u AD pozorováno narušení konektivity mezi temporálním a parietálním lalokem a také limbickým a okcipitálním lalokem. Jinými slovy, spojení vláken krátkého dosahu v temporoparietálním systému může být zásadním nálezem při separaci těchto dvou onemocnění. Temporarietální hraje zásadní roli ve vysokých lidských nervových funkcích [35], které mohou být poškozeny při Alzheimerově chorobě. Desikan a kol. zkoumali atrofii této oblasti u AD [34]. Zjištění této studie s novou technikou a využitím vlastností metody DTI mohou být efektivní při separaci MCI od AD. Studie funkčního zobrazování magnetickou rezonancí (fMRI) ukázala, že insula je klíčovou oblastí sítí lidského mozku a nejzranitelnější oblastí AD [36]; tato studie může potvrdit tyto výsledky v povrchové bílé hmotě, protože rysy insula, jako je konektivita, iso, Tzz a Txy, patří mezi vybrané a hlavní rysy pacientů s Alzheimerovou chorobou.

Většina studií uvádí, že hodnoty DTI se mezi skupinami AD a MCI mění. Přesnost klasifikace v této studii mezi AD a MCI byla 83,3 procenta podle Gaussova jádra, které bylo nejlepším jádrem pro tuto klasifikaci.

Jako návrh pro budoucí výzkum bude zajímavé zahrnout do multimodální studie další modality a biomarkery, jako je fMRI a elektroencefalogram (EEG), pozitronová emisní tomografie (PET) a data CSF proteinů s daty DTI a mohou být také jedním z naše budoucí cíle.

5. Závěr

Na závěr jsme provedli metodu k automatickému rozlišení mezi pacienty s AD a MCI a zdravými kontrolami. V této studii jsme prokázali, že AD nebo MCI lze odlišit od HC pomocí vlastností SWM oblasti prostřednictvím DTI. Vlastnosti získané z ROI, traktografie a konektivity a síťových metod by tedy mohly pomoci při diagnostice AD ​​a MCI. Nakonec tato studie poskytuje pozadí pro hodnocení dalších automatizovaných klasifikačních metod v těchto regionech.

5.1. Omezení

Velikost vzorku ve strojovém učení je zásadním faktorem, který ovlivňuje výkon modelu. Omezením studie je malá velikost vzorku zahrnutých subjektů.

Reference
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, DTI a strukturální klasifikace MRI u Alzheimerovy choroby, Adv. Mol. Imag. 2012 (2012).
[2] SA Eshkoor, TA Hamid, CY Mun, CK Ng, Mírná kognitivní porucha a její management u starších lidí, Clin. Interv. Stárnutí 10 (2015) 687–693.
[3] OR Phillips, SH Joshi, F. Piras, MD Orfei, M. Iorio, KL Narr a kol., Povrchová bílá hmota u Alzheimerovy choroby, Hum. Mozková mapa. 37 (4) (2016) 1321–1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Změněná povrchová bílá hmota na traktografii MRI u Alzheimerovy choroby, Demence Geriatr. Cognit. Porucha. Extra 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, Aplikace technologie lékařské umělé inteligence ve venkovských oblastech rozvojových zemí, Health Equity 2 (1) (2018) 174–181.
[6] KD Davis, H. Flor, HT Greely, GD Iannetti, S. Mackey, M. Ploner a kol., Zobrazovací testy mozku pro chronickou bolest: lékařské, právní a etické problémy a doporučení, Nat. Rev. Neurol. 13 (2017) 624.
[7] M. Dyba, M. Ewers, M. Wegrzyn, I. Kilimann, C. Plant, A. Oswald a kol., Kombinace DTI a MRI pro automatizovanou detekci Alzheimerovy choroby pomocí velkého evropského multicentrického souboru dat, v roce International Workshop on Multimodal Brain Image Analysis, Springer, 2012, s. 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long a kol., Rozdíly mezi zobrazením z generalizovaného Q-samplingu a zobrazením difúzního tenzoru při vizualizaci křížení nervových vláken v mozek, Surgu. Radiol. Anat. 41 (9) (2019) 1019–1028.
[9] SY Lim, Y.-S. Tyan, Y.-P. Chao, F.-Y. Nien, J.-C. Weng, Nové poznatky o vyvíjejícím se králičím mozku pomocí difúzní tenzorové traktografie a zobecněného odběru MRI, PLoS One 10 (3) (2015).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, Mapování infiltrace imunitních buněk pomocí MRI s omezenou difúzí, Magn. Reson. Med. 77 (2) (2017) 603–612.
[11] G. Prasad, TM Nir, AW Toga, PM Thompson, Tractography density and network measurements in Alzheimer's disease, in: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE, 2013, s. 692–695.
[12] A. Mheich, F. Wendling, M. Hassan, Brain Network Similarity: Methods and Applications, 2019 arXiv preprint arXiv:190810592.
[13] O. Sporns, Metody teorie grafů: aplikace v mozkových sítích, Dialogues Clin. Neurosci. 20 (2) (2018) 111.
[14] O. Sporns, JD Zwi, Malý svět mozkové kůry, Neuroinformatika 2 (2) (2004) 145–162.[15] A. Nazeri, MM Chakravarty, TK Rajji, D. Felsky, DJ Rotenberg, M. Mason a kol.,
Povrchová bílá hmota jako nový substrát kognitivního poklesu souvisejícího s věkem, Neurobiol. Stárnutí 36 (6) (2015) 2094–2106.
[16] A. Nazeri, MM Chakravarty, D. Felsky, NJ Lobaugh, TK Rajji, BH Mulsant, et al., Změny povrchové bílé hmoty u schizofrenie a vztah ke kognitivní výkonnosti, Neuropsychopharmacology: Off. Publ. Dopoledne. College Neuropsychopharmacol. 38 (10) (2013) 1954.
[17] GC Ribas, Mozkové sulci a gyri, Neurosurg. Ohnisko 28 (2) (2010) E2. [18] J. Talairach, Koplanární stereotaxický atlas lidského mozku-3-dimenzionální proporcionální systém. An Approach to Cerebral Imaging, 1988.
[19] L. Yu, H. Liu, Výběr funkcí pro vysokorozměrná data: řešení filtru založené na rychlé korelaci, ve sborníku 20. mezinárodní konference o strojovém učení (ICML-03), 2003, str. 856–863.
[20] MW Browne, Metody křížové validace, J. Math. Psychol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Citlivost, specificita, přesnost, související interval spolehlivosti a ROC analýza s praktickými implementacemi SAS, NESUG Proceed.: Health Life Sci. (Baltimore, Maryland) 19 (2010) 67.
[22] W. Van Hecke, L. Emsell, S. Sunaert, Diffusion Tensor Imaging: a Practical Handbook, Springer, 2015.

[23] B. Bigham, SA Zamanpour, F. Zemorshidi, F. Boroumand, H. Zare, Alzheimer's Disease Neuroimaging Initiative. Identifikace povrchových abnormalit bílé hmoty u Alzheimerovy choroby a mírné kognitivní poruchy pomocí difúzního tenzorového zobrazování, J. Alzheimer's Dis. Rep. 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou a kol., Rozdíly mezi generalizovaným q-samplingovým zobrazením a difuzním tensorovým zobrazením v předoperační vizualizaci nervového vlákna traktů v peritumorálním edému v mozku, Neurochirurgie 73 (6) (2013) 1044–1053.
[25] M. Daianu, EL Dennis, N. Jahanshad, TM Nir, AW Toga, CR Jack a kol., Alzheimerova choroba narušuje bohatou klubovou organizaci v mozkových konektivitních sítích, v: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE , 2013, s. 266–269.
[26] EH Seo, DY Lee, J.-M. Lee, J.-S. Park, BK Sohn, DS Lee a kol., Funkční sítě celého mozku u kognitivně normálních, mírných kognitivních poruch a Alzheimerovy choroby, PLoS One 8 (1) (2013).
[27] M. Jalili, Graf teoretická analýza Alzheimerovy choroby: diskriminace pacientů s AD od zdravých subjektů, Inf. Sci. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Identifikace a charakterizace různých stádií směrem k Alzheimerově chorobě pomocí uspořádaných základních funkcí a strojového učení, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, PM Thompson a kol., Predikce změn mozkové sítě u Alzheimerovy choroby s algoritmy pro predikci spojení, Mol. Biosyst. 13 (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang a kol., Abnormální kortikální sítě při mírném poškození kognitivních funkcí a Alzheimerově chorobě, PLoS Compput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Strukturální pohledy na aberantní topologické vzorce rozsáhlých kortikálních sítí u Alzheimerovy choroby, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Neuronální sítě u Alzheimerovy choroby, Neuroscientist 15 (4) (2009) 333–350.
[33] A. Ebadi, JL Dalboni da Rocha, DB Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho a kol., Ensembleova klasifikace Alzheimerovy choroby a mírné kognitivní poruchy založené na komplexních grafových měřeních z difuzního tenzoru obrázky, Přední. Neurosci. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman, et al., Temporoparietal MR zobrazovací míry atrofie u subjektů s mírnou kognitivní poruchou, která předpovídá následnou diagnózu Alzheimerovy choroby, Am. J. Neuroradiol. 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, Sledování krátkých spojení temporopariieto-okcipitální oblasti v lidském mozku pomocí zobrazování difúzního spektra a disekce vláken, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song a kol., Změněná funkční konektivita ostrovních subregionů u Alzheimerovy choroby, Front. Stárnutí Neurosci. 10 (2018) 107.