早期诊断阿尔茨海默病的线性判别和非线性判别分析评估

摘要：简介：本研究的目的是评估线性判别分析和非线性判别分析这两种纹理分析在对阿尔茨海默病萎缩和衰老萎缩进行分类中的判别能力。方法：该数据库包括24个阿尔茨海默病患者的感兴趣区域和24个老年人的海马区感兴趣区域。纹理分析采用线性判别分析和非线性判别分析。第一个最近邻分类器应用于线性判别分析产生的特征。通过使用人工神经网络对非线性判别分析特征进行分类。混淆矩阵和接收者操作特征（ROC）曲线分析用于检验纹理分析方法的性能。结果：非线性判别分析表明阿尔茨海默病萎缩和衰老萎缩分类的最佳性能。结论：我们的结果表明，计算机辅助诊断对早期阿尔茨海默病的分类具有很高的潜在鉴别力。

关键词

萎缩,阿尔茨海默病,分析

一、简介

阿尔茨海默病是一种脑部疾病，其特征是发生在中年或晚年的进行性痴呆。病理特征为特定神经细胞变性、出现神经性斑块和神经原纤维缠结。

阿尔茨海默病诊断工作组由国家神经和交流障碍与中风研究所 (NINCDS) 和阿尔茨海默病及相关疾病协会 (ADRDA) 建立。该小组打算建立和描述阿尔茨海默病诊断的临床标准，这对研究方案具有特别重要的意义，并描述可用于评估该疾病自然史的方法 [ 1 ]。

阿尔茨海默病 (AD) 是最常见的痴呆形式，它是一种导致记忆丧失的大脑退行性疾病 [ 2 ]。

明确诊断 AD 的唯一方法是脑解剖 [ 3 ]。功能成像使医生能够确定脑细胞的工作效率。可以使用功能性 MRI 或正电子发射断层扫描 (PET) 扫描 [ 4 ]。

小型精神状态检查 (MMSE) 和临床痴呆评分 (CDR) 是评估 AD [ 5 ] [ 6 ]中最常用的两个测试。MMSE 包括一系列通过解决问题的能力进行的临床和心理测量评估。最高 MMSE 分数为 30 分。低于 12 分表示严重痴呆，13 到 20 表示中度痴呆，20 到 24 表示轻度痴呆，24 到 30 表示正常对照 (NC)。同时，CDR 被应用于评估记忆力、方向感、判断力和解决问题的能力、家庭和爱好以及个人护理。0 分代表正常对照组，0.5 分代表非常轻度痴呆，1 分代表轻度痴呆，2 分代表中度痴呆，3 分代表重度痴呆 [ 7 ]。

2007 年，国家神经疾病和中风-阿尔茨海默病及相关疾病研究所工作组提出了修订后的 AD 诊断标准。由于临床诊断的不确定性，临床评估应包括至少一项支持性特征： 结构磁结构成像扫描中可见的内侧颞叶 (MTL) 萎缩，包括磁共振成像 (MRI) 和计算机断层扫描 (CT) )，提供有关大脑形状和体积的信息 [ 8 ]。

计算机辅助诊断 (CAD) 是评估纹理图形的有用工具。这种方法具有成本效益和非侵入性。它提高了诊断许多疾病的准确性，包括阿尔茨海默病。AD 的主要病理特征之一是神经元丢失，结果是在 MR 图像中可观察到脑萎缩 [ 9 ] [ 10 ]。然而，早期AD引起的萎缩与正常衰老引起的萎缩很难区分[ 11 ]。

几项研究通过使用不同的方法，如基于体素的形态测量 (VBM)、特定感兴趣区域 (ROI) 的体积测量、皮层厚度测量等其他群体，如老化组或轻度认知障碍 (MCI) 患者，评估阿尔茨海默病的诊断，形状分析和纹理分析。VBM（基于体素的形态测量）描述了深部大脑结构的全局变化或萎缩 [ 7 ]。E 范斯等人。揭示了基于 VBM [ 12 ] 的 NC（正常控制）每年平均标准 0.5%。卡拉斯等人。使用 VBM，表明全球 GM（灰质）体积减少，包括 AD 患者的小脑、内侧丘脑和尾状核头部以及扣带回 [ 13]。Karas 等人的另一项研究。分析了 GM 损失的模式，以检查 MCI 的特征以及使用 VBM 方法确定与 AD 的差异的因素 [ 14 ]。Colliot 和 Chupin 等人。使用海马体积来区分 NC 与 MCI 和 AD 患者 [ 15 ]。他们的研究结果显示，所有患者组的海马体积显着减少。具体来说，AD 和 NC 之间的体积减少了 32%，MCI 和 NC 之间减少了 19%，最后，AD 和 MCI 之间减少了 15% [ 16 ]。根据 Pennanen 的说法，AD 患者的海马萎缩比 MCI 患者更明显 [ 17]。几项研究使用海马体积测量并证实海马萎缩可以构成有用的诊断生物标志物 [ 7 ] [ 18 ]。

基于纹理分析进行的几项研究，例如 Freeborough 和 Fox (1996-1998) 通过使用纹理分析分析了 24 名 AD 患者和 40 个正常组的全脑。西蒙斯等人。(2012) 对 MCI 患者进行了类似的研究。Jing Zhang (2012) 使用纹理分析 [ 3 ] [ 9 ] [ 19 ] [ 20 ]评估诊断 AD 的准确性。

纹理分析使用传统的 MRI 技术检测人眼无法感知的病理变化。在所提出的计算机辅助诊断 (CAD) 系统中分析了来自六个主要类别的纹理特征，包括：直方图（统计类）、绝对梯度（统计类）、游程矩阵（统计类）、共现矩阵（统计类） ，自回归（AR）模型（模型类）和小波（变换类）[ 21 ]。本研究使用 TA 评估从 MR 图像中提取的纹理特征，以区分阿尔茨海默病的萎缩和正常衰老的萎缩。

2。材料和方法

本研究通过使用 MaZda 软件（版本 4-6）使用纹理分析来评估从 MR 图像中提取的纹理特征。

在这项研究中，在 6 个月内收集了 12 名年龄为 64.4 ± 9.43（平均年龄 ± 标准差）的临床确诊阿尔茨海默病患者的数字 MRI 图像和 12 名年龄为 68.54 ± 7.02 的健康老年人图像（9 名男性和 4 名女性）和相关的神经科医生批准了他们。2 _从 1.5 T 扫描仪（Philips Achieva，Philips Medical system，Best，荷兰）获得患者和健康受试者的 W-TSE MR 图像。矩阵 256 × 126，TR = 15，TE = 5，TI = 0，FA = 20，厚度 = 10，间距 = 20。在专家神经科医生的帮助下识别和放置 MRI 图像中的阿尔茨海默病灶，并由放射科医生确认。用于选择感兴趣区域（ROI）的标准包括为每个受试者选择两个ROI，ROI放置在海马区域的左右两侧，并且所有ROI具有相同的大小并选择在海马的相同位置。将一张 MR 图像输入 MaZda（4.6 版，罗兹工业大学，电子研究所）进行纹理分析。对每个 ROI 应用了三个归一化。第一个，N 1, 是默认值，没有应用规范化。第二个，N 2，是 3-sigma，其中 ROI 强度限制在 ( μ - 3 σ, μ + 3 σ） 在哪里 μ和 σ，分别是强度的平均值和标准差。第三次归一化是 N 3，1% - 99%，其中图像强度范围在暗度级别（累积直方图等于总数的 1%）和亮度级别（累积直方图 = 总数的 99%）之间进行归一化。投资回报率 [ 22]。基于直方图提取的超过 270 个纹理特征、绝对梯度（灰度值的空间变化、游程长度矩阵（在给定方向上具有指定灰度值和长度的像素游程计数）、共现矩阵（关于由给定距离和方向分隔的像素对的分布），自回归模型（描述相邻像素之间的相关性）和小波分解图像频率和不同尺度）。并非所有 270 个纹理特征都适合或有效用于区分阿尔茨海默病萎缩和正常衰老萎缩。采用特征减少（Fisher）和分类错误概率和平均相关系数（POE + ACC）的两种算法将参数减少到最好的10个纹理特征。使用标准和非标准状态对这些特征进行了分析。线性判别分析（LDA）和非线性判别分析（NDA）用于分析数据。第一个最近邻 (1-NN) 分类器已用于来自 LDA 的特征和用于 NDA 分析的人工神经网络 (ANN)。ROC曲线用于比较这些分析之间的最大区分度，并计算每个分析的曲线下面积（AUC）。此外，包括灵敏度 (SN) 和特异性 (SP) 在内的两个因素被用于评估这些方法的性能。敏感性是测试正确识别患有疾病的人的能力（真阳性率），而测试特异性是测试正确识别没有疾病的人的能力（真阴性率）。线性判别分析（LDA）和非线性判别分析（NDA）用于分析数据。第一个最近邻 (1-NN) 分类器已用于来自 LDA 的特征和用于 NDA 分析的人工神经网络 (ANN)。ROC曲线用于比较这些分析之间的最大区分度，并计算每个分析的曲线下面积（AUC）。此外，包括灵敏度 (SN) 和特异性 (SP) 在内的两个因素被用于评估这些方法的性能。敏感性是测试正确识别患有疾病的人的能力（真阳性率），而测试特异性是测试正确识别没有疾病的人的能力（真阴性率）。线性判别分析（LDA）和非线性判别分析（NDA）用于分析数据。第一个最近邻 (1-NN) 分类器已用于来自 LDA 的特征和用于 NDA 分析的人工神经网络 (ANN)。ROC曲线用于比较这些分析之间的最大区分度，并计算每个分析的曲线下面积（AUC）。此外，包括灵敏度 (SN) 和特异性 (SP) 在内的两个因素被用于评估这些方法的性能。敏感性是测试正确识别患有疾病的人的能力（真阳性率），而测试特异性是测试正确识别没有疾病的人的能力（真阴性率）。第一个最近邻 (1-NN) 分类器已用于来自 LDA 的特征和用于 NDA 分析的人工神经网络 (ANN)。ROC曲线用于比较这些分析之间的最大区分度，并计算每个分析的曲线下面积（AUC）。此外，包括灵敏度 (SN) 和特异性 (SP) 在内的两个因素被用于评估这些方法的性能。敏感性是测试正确识别患有疾病的人的能力（真阳性率），而测试特异性是测试正确识别没有疾病的人的能力（真阴性率）。第一个最近邻 (1-NN) 分类器已用于来自 LDA 的特征和用于 NDA 分析的人工神经网络 (ANN)。ROC曲线用于比较这些分析之间的最大区分度，并计算每个分析的曲线下面积（AUC）。此外，包括灵敏度 (SN) 和特异性 (SP) 在内的两个因素被用于评估这些方法的性能。敏感性是测试正确识别患有疾病的人的能力（真阳性率），而测试特异性是测试正确识别没有疾病的人的能力（真阴性率）。此外，包括灵敏度 (SN) 和特异性 (SP) 在内的两个因素被用于评估这些方法的性能。敏感性是测试正确识别患有疾病的人的能力（真阳性率），而测试特异性是测试正确识别没有疾病的人的能力（真阴性率）。此外，包括灵敏度 (SN) 和特异性 (SP) 在内的两个因素被用于评估这些方法的性能。敏感性是测试正确识别患有疾病的人的能力（真阳性率），而测试特异性是测试正确识别没有疾病的人的能力（真阴性率）。

3. 结果

共选择 48 例（24 名患者，24 名老年人）来评估所提出方法的分类和准确性。默认状态下从fisher算法中提取的参数（没有归一化）包括共现矩阵（7个参数），梯度（3个参数），POE + ACC中的参数包括5个共现矩阵，2个AR模型，1个运行长度矩阵，1个梯度和 1 个小波。在 3 sigma 归一化中，fisher 算法的参数为 Co-Occurrence Matrix（9 个参数），梯度（1 个参数）在 POE + ACC 算法中的参数包括 5 个 Co-Occurrence Matrix、2 个 Wavelet、2 个绝对梯度和 1 个直方图。在 1% - 99% 归一化参数包括 8 个 Co-Occurrence Matrix 和 1 个绝对梯度和 1 个 Run-Length 矩阵，POE + ACC 算法提取的参数包括 8 个 Co-Occurrence 矩阵，

纹理特征参数选择算法

投资回报率1

POE + ACC2

费舍尔

正常化

价值

功能名称

价值

功能名称

0.4209

0.4304

0.4612

0.4662

0.4754

0.4824

0.4867

0.4903

0.4904

0.7500

泰塔2

S[0,4]相关

S[0,1]相关

45dgrShrtREmp

S[4,0]相关

S[2,0]总和平均

S[0,2]相关

泰塔1

GrKurtosis

波恩LL-S-1

0.4355

0.4194

0.3712

0.3221

0.2985

0.2820

0.2807

0.2757

0.2731

0.2720

GrKurtosis

偏度

方差

S[0,3]DifEntrp

S[2,2]相关

S[0,4]相关

S[0,1]总和平均

S[1,1]总和平均

S[1,0]总和平均

S[2,0]总和平均

默认

表 1。默认状态下最好的十个 Fisher 和 POE + ACC 功能。

纹理特征参数选择算法

POE + ACC2

费舍尔

ROI1标准化

价值

功能名称

价值

功能名称

0.4189

0.4433

0.4506

0.4593

0.4619

0.4747

0.4749

0.4868

0.4880

0.7917

S[0,1]DifVarnc

S[3,0]相关

Perc50%

WaveEnLL-s-1

S[0,2]InvDfMom

GrKurtosis

波恩HL-S-1

偏度

S[2,2]SumDfSqs

S[1,0]SumDfSqs

0.6971

0.6873

0.6166

0.5837

0.4840

0.4773

0.3789

0.3699

0.3678

0.3625

S[0,1]SumDifSqs

S[0,3]DifVarnc

S[1,0]总和平均

S[4,0]总和平均

S[1,1]SumDfSqs

峰度

S[0,2]InvDfMom

S[3,0]相关

S[0,2]总和平均

S[1,-1]SumDfSq

3 西格玛

表 2。3 Sigma 状态下最好的 10 个 Fisher 和 POE + ACC 功能。

纹理特征参数选择算法

POE + ACC2

费舍尔

ROI1标准化

价值

功能名称

价值

功能名称

0.4260

0.4423

0.4581

0.4812

0.4831

0.4857

0.4898

0.4933

0.4937

0.7708

Perc50%

S[1,-1]InvDfMo

S[0,1]SumVarnc

S[4,0]对比度

S[0,2]InvDfMom

S[0,3]DifVarnc

S[2,2]总和平均

S[2,0]InvDfMom

S[3,0]相关

WaveEnLL-s-1

0.6931

0.5730

0.4773

0.4704

0.3818

0.3722

0.3622

0.3572

0.3318

0.3309

S[0,3]DifVarnc

S[3,0]DifVarnc

峰度

S(3,0)对比度

S(0,1)和Varrnc

135dr-GlevNon

S[3,0]InvDfMom

S[3,0]相关

S[0,1]平方和

S[0,2]InvDfMom

1% - 99%

表 3。最好的 10 个 Fisher 和 POE + ACC 功能处于 1% - 99% 状态。

分析在两种标准和非标准状态下考虑的参数。通过以下方式计算的参数标准化：

X'一世=X一世- μσ

在这个公式中， X一世和 X'一世是标准化前后的参数。 μ是平均值和 σ是标准差。表 4中列出了默认状态、3 sigma、1% - 99% 三种状态下的 LDA 分析结果。根据表 4，1 % - 99% 标准化对结果的影响最大，标准化对结果没有影响。

表 5中列出的三种状态下的 NDA 分析结果，未归一化、3 sigma、1% - 99% 归一化。一般来说，标准化提高了 NDA 分析的操作。标准化对 NDA 分析没有影响，除了标准化会降低默认模式下的灵敏度和使用 POE + ACC 算法时 1% - 99% 的标准化。

图 1-3 显示了 LDA 和 NDA 这两种分析中具有最高值的 ROC 曲线。曲线下的面积也已计算出来。曲线下面积（AUC）的最高值属于NDA分析。

4。讨论

本研究的主要目的是使用 MR 成像区分阿尔茨海默病萎缩和衰老萎缩。评估了 48 个 ROI。对于每个个体，在冠状图像的海马区域中选择了两个感兴趣区域 (ROI)（图 4）。

。

质地

分析方法

标准化方案

特征缩减

标准化

ROC分析

SN4(%)

SP4(%)

带有 K-NN7分类器的 LDA

默认

费舍尔

S5

0.83

0.83

NS6

0.83

0.83

POE+ACC

小号

0.73

0.77

NS

0.73

0.77

3 西格玛

费舍尔

小号

0.75

0.86

NS

0.75

0.86

POE+ACC

小号

0.705

0.68

NS

0.705

0.68

1% - 99%

费舍尔

小号

0.88

0.83

NS

0.88

0.83

POE+ACC

小号

0.75

0.705

NS

0.75

0.705

表 4。通过LDA 3区分阿尔茨海默病与正常衰老的表现结果。

纹理分析方法

正常化

计划

特征

减少

标准化

ROC分析

SN9(%)

SP9(%)

带有 ANN12分类器的 NDA

默认

费舍尔

小号10

0.96

0.86

国家标准11

0.96

0.86

POE+ACC

小号

0.83

0.92

NS

0.92

0.86

3 西格玛

费舍尔

小号

1

0.83

NS

1

0.83

POE+ACC

小号

0.92

0.88

NS

0.92

0.88

1% - 99%

费舍尔

小号

0.96

0.86

NS

0.96

0.86

POE+ACC

小号

0.92

0.88

NS

0.96

0.83

表 5。通过 NDA 8区分阿尔茨海默病与正常衰老的表现结果。

图 1。LDA和NDA分析在阿尔茨海默病早期分类和默认状态下正常老化萎缩中具有最高值的ROC曲线。

图 2。在早期阿尔茨海默病分类和正常衰老3 Sigma状态萎缩中LDA和NDA分析值最高的ROC曲线。

图 3。ROC曲线在阿尔茨海默病早期分类和正常衰老1%~99%状态下的萎缩中LDA和NDA分析的最高值。

图 4。在冠状图像的海马区域中选择感兴趣区域（ROI）。

每个 ROI 案例研究提供了两种特征减少方法（Fisher 和 POE + ACC）、两种标准和非标准状态以及两种纹理数据分析（LDA 和 NDA）。结果表明，纹理分析能够准确地区分阿尔茨海默病萎缩和衰老萎缩。从约简特征算法（Fisher 和 POE + ACC）中提取的最佳参数一般是 Co-Occurrence Matrix。在 LDA 和 NDA 分析中，标准化对操作没有影响。NDA 在使用 Fisher 算法的 3 Sigma 归一化中具有最高的曲线下面积 (AUC = 1)（图 5）。

在 Sørensen 等人的研究中。海马纹理的分类能力使用接受者操作特征 (ROC) 曲线和相应的 AUC 作为性能指标进行评估。纹理分析在区分 NC 与 AD 时的 AUC 为 0.912，在 NC 与 MCI 之间的 AUC 为 0.764。对于同一组，体积分析的 AUC 曲线分别为 0.909 和 0.784 [ 23 ]。Freeborough 和 Fox 对 24 名 AD 患者和 40 名正常组的 SN = 79%、ACC = 91% 和 SP = 100% [ 9 ] [ 19 ] 进行了全脑结构分析。西蒙斯等人。对 MCI 患者和正常组（15 名 MCI 患者和 15 名健康人（NC））进行了类似的研究，结果如下：SN = 85%，SP = 95% 和 ACC = 87% [20 ]。在本研究中，对于 K-NN 分类中的 LDA 分析和 ANN 分类中的 NDA 分析，SN 和 SP 的最高值为 100%。Jing Zhang 等人进行了结构的 3 维分析，作为阿尔茨海默病诊断的标志物。基于不同 ROI 的结构分析准确率从 64.3% 到 964% 不等。1-NN 用于 PCA 和 LDA 分析的分类准确度相对较低（89.7% - 63.2%），但 ANN 分类的准确度相对较高（98.5% - 92.6%）[ 3]。本研究基于阿尔茨海默病患者的结构分析，作为区分阿尔茨海默病萎缩和衰老萎缩的有用方法。结构分析能够观察结构中的微观结构变化，可以被认为是早期阿尔茨海默病分析的有效方法。本研究的局限性如下；这

图 5。NDA，非线性判别分析（f1 和 f2）平面上的区域，形成属于两类（1 类阿尔茨海默病和 2 类老年老化）的集合的公共部分。

样本数量少，需要研究更多样本。考虑到外部因素，例如磁场变化以及与患者或系统的摇晃或移动相关的误差，每个患者的准备图像的方法可能不同，因此会影响分析的图像。

5. 结论

这种方法的主要优点是它可以作为辅助工具来提高阿尔茨海默病的诊断准确性，并且不需要额外的成本和时间。这些比较结果表明，所提出的 CAD 系统具有表征和分类阿尔茨海默病萎缩和衰老萎缩的潜力。

致谢

目前的研究是硕士论文的一部分，经乌尔米亚医科大学批准，由 Akbar Gharbali 博士（导师）设计。所有数字图像均由伊玛目霍梅尼医院（伊朗乌尔米亚）提供。我们只是使用了 MRI 图像的数字特征，因此没有将患者纳入此类研究的特殊标准。

我要感谢 Surena Nazarbagh 博士（神经科医生）的建议和数字 MRI 图像支持。

缩写

MRI：磁共振成像

PCA：主成分分析

LDA：线性判别分析

NDA：非线性判别分析

AD：阿尔茨海默病

MMSE：迷你精神状态检查

CDR：临床痴呆分级

ROI：感兴趣区域

TA：纹理分析

ROC：接收器工作特性

CAD：计算机瞄准诊断

AUC：曲线下面积

SN：灵敏度

SP：特异性

POE + ACC：相关性分类错误概率和平均系数

T 2 W TSE：T 2加权涡轮自旋回波

笔记

1感兴趣的区域。

2分类误差与平均系数的相关概率。

3线性判别分析。

4特异性。

5标准。

6非标准。

7最近邻分类器。

8非线性判别分析。

9特异性。

10标准。

11非标准。

12神经网络分类。

利益冲突

作者声明与本文的发表没有利益冲突。

参考

[ 1 ] McKhann，G.，等人。(1984) NINCDS-ADRDA 工作组的阿尔茨海默病临床诊断报告，由卫生和公共服务部阿尔茨海默病特别工作组主持。神经病学, 34, 939.

[ 2 ] 协会，AS (2010) 阿尔茨海默病事实和数据。阿尔茨海默氏症和痴呆症，6, 158-194。

[ 3 ] 张，J.，等。(2012) 阿尔茨海默病 MRI 图像的 3D 纹理分析。脑成像和行为，6, 61-69。

[ 4 ] Emilien, G. 等人。(2012) 阿尔茨海默病：神经心理学和药理学。柏林比尔克豪泽。

[ 5 ] Folstein, MF, Folstein, SE 和 McHugh, PR (1975) “迷你精神状态”：临床医生对患者认知状态进行分级的实用方法。精神病学研究杂志，12, 189-198。

[ 6 ] Morris, JC (1993) 临床痴呆评分 (CDR)：当前版本和评分规则。神经病学，43.

[ 7 ] Leandrou, S. 等人。(2018) 轻度认知障碍和阿尔茨海默病的定量 MRI 脑研究：方法学回顾。IEEE 生物医学工程评论，11, 97-111。

纹理特征参数选择算法

投资回报率1

POE + ACC2

费舍尔

正常化

价值

功能名称

价值

功能名称

0.4209

0.4304

0.4612

0.4662

0.4754

0.4824

0.4867

0.4903

0.4904

0.7500

泰塔2

S[0,4]相关

S[0,1]相关

45dgrShrtREmp

S[4,0]相关

S[2,0]总和平均

S[0,2]相关

泰塔1

GrKurtosis

波恩LL-S-1

0.4355

0.4194

0.3712

0.3221

0.2985

0.2820

0.2807

0.2757

0.2731

0.2720

GrKurtosis

偏度

方差

S[0,3]DifEntrp

S[2,2]相关

S[0,4]相关

S[0,1]总和平均

S[1,1]总和平均

S[1,0]总和平均

S[2,0]总和平均

默认

表 1。默认状态下最好的十个 Fisher 和 POE + ACC 功能。