Erken Alzheimer Teşhisinin Kilidini Açma: Gelişmiş Görüntüleme ve Görsel Özellik Tanıma Dayalı Yeni Bir Yöntem

Yaşlı yetişkinlerde en yaygın demans formu olan Alzheimer hastalığı (AD), erken tanı için önemli bir zorluk sunar. Hastalık bilişsel işlevleri aşamalı olarak bozarken, beyindeki ince mikroyapısal değişiklikler genellikle fark edilebilir semptomlardan önce gelir. Geleneksel T1 Ve T2 Ağırlıklı manyetik rezonans görüntüleme (MRI) öncelikle makro-yapısal beyin atrofisini tespit eder, ancak difüzyon tensör görüntüleme (DTI) bu gizli mikroyapısal değişikliklere bir pencere sunar. Son çalışmamız, yayınlandı Bilimsel raporlarAD ilerlemesini karakterize etmek ve teşhis doğruluğunu arttırmak için DTI verilerini ve gelişmiş görsel özellik tanımlayıcılarını kullanmayı araştırır.

Difüzyon tensör görüntüleme: beynin gizli mimarisini aydınlatma

DTI, standart yapısal görüntülemenin ötesine geçen gelişmiş bir MRI tekniğidir. Beynin beyaz madde yolları içindeki su moleküllerinin yön hareketini (difüzyon) ölçer. Bu yollar nöral sinyallerin iletilmesi için çok önemlidir ve bütünlükleri Alzheimer gibi nörodejeneratif hastalıklarda genellikle tehlikeye girer. Su difüzyonunu ölçerek DTI, aşağıdakiler gibi değerli metrikler sağlar:

• Fraksiyonel anizotropi (FA): Bu önlem, su difüzyonunun yönlü olduğunu gösterir. Yüksek FA değerleri tipik olarak iyi organize edilmiş beyaz madde yollarını gösterirken, düşük değerler hasar veya bozulmayı gösterebilir.
• Ortalama difüzivite (MD): MD, su difüzyonunun ortalama oranını temsil eder. Artan MD, doku kaybının veya artmış hücre dışı boşluğun bir işareti olabilir.
• Radyal difüzivite (RD): RD, beyaz madde yollarına dik su difüzyonunu ölçer. Yüksek RD genellikle miyelin hasarını yansıtır.

Bu DTI metrikleri, geleneksel MRG'ye kıyasla beynin mikroyapısal bütünlüğünün daha nüanslı bir şekilde anlaşılmasını sağlar.

Surf ve Hedef: Belirgin görsel imzaların tanımlanması

DTI-türevi FA, MD ve RD Haritalar içindeki karmaşık kalıpları etkili bir şekilde analiz etmek için, sağlam görsel özellik tanımlayıcılarını kullandık: Hızlandırılmış Sağlam Özellikler (SURF) ve Ölçek Değişmez Özellik Dönüşümü (SIFT). Bu algoritmalar, bir görüntü içindeki ayırt edici ve istikrarlı ilgi noktalarını tanımlamak için tasarlanmıştır, bu da onları ince ama tutarlı anormallikleri tespit etmek için paha biçilmez hale getirir.

Bir haritada benzersiz yer işaretlerini tanımlamak gibi düşünün. DTI haritalarında AD ile ilişkili değişikliklerin göstergesi olabilecek temel görsel modelleri sörf ve eleme. Bu tanımlayıcılar özellikle yararlıdır, çünkü bunlar:

• Ölçekli Değişmez: Görüntüdeki boyutlarına bakılmaksızın özellikleri tanıyabilirler.
• Rotasyon-değişmez: Dönmüş olsalar bile özellikleri algılayabilirler.
• Gürültü ve küçük bozulmalara karşı sağlam: Görüntülerdeki küçük varyasyonlara rağmen hala kilit noktaları tanımlayabilirler.

Bilgisayar Destekli Tanı (CAD) Çerçevesi: AD'ye özgü imzaların oluşturulması

Çalışmamız DTI, Surf/SIFT özellikleri ve “kelimeler torbası” yaklaşımını entegre eden bilgisayar destekli bir tanı (CAD) çerçevesi sunmaktadır. Bu çerçeve aşağıdaki gibi çalışır:

1. DTI veri toplama: AD, hafif bilişsel bozukluğu (MCI) ve sağlıklı normal kontroller (NC) olan bireylerden DTI taramaları dahil Alzheimer Hastalığı Nörogörüntüleme Girişimi (ADNI) veri kümesinden bir veri alt kümesi kullandık.
2. Görsel Özellik Çıkarma: Özellikle hipokampus bölgesine odaklanan FA, MD ve RD haritalarına sörf ve elemeli algoritmalar uygulandı. Hipokampus, belleğe eleştirel bir şekilde yer alan bir beyin alanıdır ve AD'nin ilk aşamalarında önemli ölçüde etkilendiği bilinmektedir.
3. Kelimeler torbası modeli: Ekstrakte edilen sörf ve SIFT özellikleri daha sonra bir “kelimeler torbası” temsili oluşturmak için kullanıldı. Bu teknik esasen tüm katılımcıların DTI haritalarında bulunan görsel özelliklerin bir kelime dağarcığı yaratır. Her bireyin DTI verileri daha sonra bu görsel “kelimelerin” oluşma sıklığı ile temsil edilebilir. Bu, AD ile ilişkili belirli görsel modellerin varlığını ve dağılımını ölçmemizi sağlar.
4. AD'ye özgü imzalar: AD hastalarının hipokampüsünde bu görsel kelimelerin sıklığını analiz ederek “AD'ye özgü imzalar” oluşturduk. Bu imzalar, bu kritik beyin bölgesindeki hastalıkla ilişkili karakteristik görsel paternleri temsil eder.
5. Sınıflandırma: Bu AD'ye özgü imzalar, daha sonra hem çok sınıfta (AD vs. MCI vs. NC) (AD vs. NC, MCI, NC, AD ve MCI) sınıflandırma senaryolarında AD, MCI ve NC grupları arasında ayrım yapmak için makine öğrenme sınıflandırıcılarını eğitmek için kullanıldı.
6. Geç Füzyon: Ayrıca, genel teşhis doğruluğunu potansiyel olarak arttırmak için farklı DTI haritalarından (FA, MD ve RD) elde edilen sınıflandırma sonuçlarını birleştiren bir “geç füzyon” stratejisini araştırdık.

Umut verici sonuçlar

Deneysel sonuçlarımız bu DTI-Surf/Sift-CAD çerçevesinin etkinliğini göstermektedir. Farklı gruplar arasında ayrım yapmada yüksek sınıflandırma doğrulukları elde ettik, bu yaklaşımın erken ve doğru AD tanısı için potansiyelini vurguladık. Belirli DTI metriklerinden çıkarılan görsel özelliklerin kullanılması ve hipokampusa odaklanmanın özellikle bilgilendirici olduğu kanıtlanmıştır.