Kenmerken van de oppervlakkige witte stof als biomarkers voor de detectie van de ziekte van Alzheimer en milde cognitieve stoornissen

Contactpersoon: emily.li@wecistanche.com

Bahare Bigham, et al

Abstract:

Achtergrond:

Met de ontwikkeling van medische beeldvormings- en verwerkingstools is een nauwkeurige diagnose van ziekten mogelijk gemaakt door intelligente systemen. Vanwege het opmerkelijke vermogen van ondersteunende vectormachines (SVM's) voor de diagnose van ziekten, is uitgebreid onderzoek uitgevoerd met behulp van het SVM-algoritme voor de classificatie vanAlzheimerziekte(AD) en milde cognitieve stoornissen (MCI).

Doelstellingen:

In deze studie pasten we een geautomatiseerde methode toe om patiënten te classificeren metAlzheimerZiekteen MCI en healthy control (HC) proefpersonen op basis van de diffusie tensor imaging (DTI) kenmerken in de oppervlakkige witte stof (SWM).

Deelnemers:

Voor dit doel werden DTI-gegevens gedownload van deAlzheimerZiekteNeuroimaging Initiatief (ADNI). Deze methode gebruikte DTI-gegevens van 72 proefpersonen: 24 proefpersonen met HC, 24 proefpersonen met MCI en 24 proefpersonen met AD.

Metingen: DTI-verwerking werd uitgevoerd met behulp van DSI Studio-software en alle machine learning-analyses werden uitgevoerd met behulp van MATLAB-software.

Resultaten:

De lineaire kern van SVM was de beste classificator, met een nauwkeurigheid van 95,8% tussen deAlzheimerZiekteen HC-groepen, gevolgd door de kwadratische kernel van SVM met een nauwkeurigheid van 83,3% tussen de MCI- en HC-groepen, en de Gaussische kernel van SVM met een nauwkeurigheid van 83,3% tussen de AD- en MCI-groepen. Conclusies: Gezien het belang van het diagnosticeren van AD en MCI en de rol van oppervlakkige witte stof bij de diagnose van neurodegeneratieve ziekten, worden in deze studie de kenmerken van verschillende DTI-methoden van de SWM besproken, wat een nuttig hulpmiddel zou kunnen zijn om te helpen bij de diagnose van AD en MCI.

Trefwoorden: Support vector machine, Diffusion tensor imaging,Alzheimerziekte, milde cognitieve stoornissen, Superfificiale witte stof

Klik hier voor meer informatie over Cistanche voor de ziekte van Alzheimer

1. Inleiding

Als gevolg van de toename van de vergrijzende bevolking, nauwkeurige en effectieve detectie vanZiekte van Alzheimer(AD) is een belangrijk thema geworden in de samenleving [1]. Milde cognitieve stoornissen (MCI) is een aandoening tussen normale verouderingsgerelateerde cognitieve achteruitgang en de meer ernstige achteruitgang van dementie. Omdat er geen specifieke remedie is voor MCI en er een hoog risico is op de progressie naar dementie, zijn de diagnose en preventie van de ziekte erg belangrijk [2].

Neurodegeneratieve ziekte treft vaak bepaalde delen van de hersenen. Oppervlakkige witte stof (SWM) is een van de regio's die zeer kwetsbaar is gebleken voor veel ziekten, volgens het retrogenesemodel [3, 4]. In deze studie hebben we een ondersteuningsvectormachine (SVM) -model ontwikkeld dat HC-, MCI- en AD-onderwerpen classificeert op basis van de kenmerken van SWM.

Door de ontwikkeling van automatische systeemtechnologie op verschillende gebieden van de medische wetenschappen, helpen machine learning-systemen artsen automatisch ziekten te diagnosticeren [5]. SVM is als supervised machine learning techniek een zeer krachtig hulpmiddel in big data analytics [1].

Hersenbeeldvormingstechnieken worden algemeen beschouwd als het potentieel voor de diagnose van hersenaandoeningen. Met behulp van deze technieken kunnen problemen in het menselijk brein worden geïdentificeerd, zonder de noodzaak van invasieve neurochirurgie. Momenteel worden verschillende geaccepteerde veilige beeldvormingstechnieken gebruikt in onderzoekscentra en ziekenhuizen over de hele wereld [6]. Diffusion tensor imaging (DTI) is een nieuwe MRI-gebaseerde neuroimaging-techniek die de beoordeling van de integriteit van neuronale vezelkanalen mogelijk maakt [7].

DTI-gegevensreconstructie kan worden onderverdeeld in twee categorieën: modelvrije en modelgebaseerde methoden. Modelgebaseerde methoden zoals DTI-reconstructie gaan ervan uit dat de vorm van waterdiffusie een 3D-Gaussisch patroon volgt, maar er is geen aanname over de verdeling in de modelvrije methode zoals de q-space diffeomorfe reconstructie (QSDR) -methode. De QSDR-methode reconstrueert gegevens in de ruimte van het Montreal Neurological Institute (MNI) [8]. DSI Studio software (www. dsi-s tudio.labsolver.org) ondersteunt zowel modelgebaseerde als modelvrije reconstructiemethoden.

Verschillende metingen zijn afgeleid van de DTI-reconstructiemethode, waaronder gemiddelde diffusiviteit (MD), fractionele anisotropie (FA), axiale diffusiviteit (AxD) en radiale diffusiviteit (RD). Dichtheidsgebaseerde metingen afgeleid van de QSDR-reconstructiemethode omvatten kwantitatieve anisotropie (QA), isotrope waarde (ISO), beperkte diffusiebeeldvorming (RDI), enzovoort.

QA is een metriek om de spinpopulatie in een specifieke richting te kwantificeren en de vezelpopulatie (met name kruisende vezels) op te lossen. De genormaliseerde QA (QA)-schaal wordt berekend door de maximale QA-waarde te normaliseren naar één, zodat QA meer vergelijkbaar kan zijn voor het onderwerp [9].

ADH is een methode om de dichtheid van beperkte diffusie te kwantificeren met betrekking tot het diffusieverplaatsingsbereik (bijv. 10 micron) [10].

De mogelijkheid om de hoofdrichting van diffusie te schatten met behulp van de tensor heeft ook de tractografietechniek opgeleverd, die is toegepast om de connectiviteitsmatrix en netwerkmetingen te berekenen [11].

De hersenen worden voorgesteld als een complex netwerk bestaande uit neuronen en hersengebieden die structureel en functioneel gerelateerd zijn. Een hersennetwerk (of grafiek) bestaat uit knooppunten (die neuronen of hersengebieden vertegenwoordigen) verbonden door lijnen (connectiviteit tussen hersengebieden) [12].

Netwerkwetenschap kan helpen bij het verminderen van de complexiteit van de analytische hersenarchitectuur en het begrijpen van hersenconnectiviteitspatronen en kan informatie verschaffen over klinische aandoeningen [13].

Netwerkmetingen omvatten assortativiteit, efficiëntie, PageRank, betweenness, small-world network, enzovoort; ze worden gebruikt om de structuur en functie van het menselijk brein als netwerk beter te begrijpen [14].

Slechts een paar studies hebben verschillende analysebenaderingen gebruikt, zoals regio van belang (ROI), tractografie en connectiviteit en netwerk in zowel DTI- als QSDR-reconstructie. We pasten de SVM-techniek toe op basis van kenmerken geëxtraheerd uit de oppervlakkige witte stof door de bovengenoemde analysemethoden voor de geautomatiseerde binaire detectie van ADand MCI, AD en HC, en MCI en HC.

2. Materialen en methoden

De gegevens in dit artikel zijn afkomstig uit een M.Sc. proefschrift en zijn beoordeeld en goedgekeurd door de Ethische Commissie van Mashhad University of Medical Sciences (Ethisch nummer: IR. MOEDERS. GENEESKUNDIG. REC.1397.320).

De stappen zijn als volgt:

2.1. Gegevensverzameling

Gegevens van de 72 deelnemers van de drie groepen werden gedownload van deAlzheimerZiekteNeuroimaging Initiative (ADNI) database. Proefpersonen van deze studie, waaronder proefpersonen uit de AD (n 1/4 24), MCI (n 1/4 24) en controle (n 1/4 24) groepen werden gerekruteerd uit het ADNI2-project.

Uit het ADNI2project werd een DTI van de hele hersenen gegenereerd met de volgende scanparameters: Fabrikant 1/4 GE MEDICAL SYSTEMS; Matrix X 1/4 256,0 pixels; Matrix Y 1/4 256,0 pixels; Matrix Z 1/4 2714,0; Pixelgrootte X 1/4 1,4 mm; Pixelgrootte Y 1/4 1,4 mm; PulseSequence 1/4 EP/SE; herhalingstijd (TR) van 13000 ms, echotijd (TE) van 68,3 ms, fliphoek van 90, veldsterkte van 3,0, plakdikte van 2,7 mm,41 niet-collineaire richtingen met een b-waarde van 1000 s/mm2, en 5 beelden zonder diffusieweging. Naast de beelden werden ook klinische en neuropsychologische gegevens van proefpersonen gedownload.

2.2. DTI-verwerking

Voor elke ruwe data werden de volgende hoofdstappen uitgevoerd om de kenmerken van de DTI-technieken in de SWM te extraheren (zie figuur 1). Al deze processen werden uitgevoerd met behulp van DSI Studio-software (ontwikkeld door Fang-Cheng Yeh van het Advanced Biomedical MRI Lab, National Taiwan University Hospital, Taiwan, ondersteund door Fiber Tractography Lab.

2.2.1. Voorbewerking en wederopbouw

Vóór DTI-parametermeting werd correctie van hoofdbeweging en wervelstroom en schedelstrippen uitgevoerd. Voor het strippen van schedels en het filteren van het achtergrondgebied hebben we de maskers van DSIStudio gebruikt. Vervolgens hebben we in de volgende stap twee verschillende reconstructiemethoden gebruikt, waaronder modelbasis (DTI) en vrije model (QSDR) optie in DSI Studio; met twee verschillende houdingen om de diffusiebeelden te verwerken.

2.2.2. ROI-benadering

Na de reconstructiestap werden verschillende DTI-parameters verkregen uit ROI, tractografie en connectiviteit en netwerkmethoden. De ROI is de identiteit voor een bepaald doel, de SWM-regio in het huidige onderzoek. Het masker (in de MNI-ruimte) van deze regio werd verkregen uit een vergelijkbare studie van Arash Nazeri et al [15, 16].

Volgens de verdeling van hersengebieden in de Terminologia Anatomica 1998 [17] en Terminologia Neuroanatomica 2017 (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca Federative International Programme for Anatomical Terminology, februari 2017), verdeelden we de SWM-regio in 12 anatomische regio's, waaronder frontale, pariëtale, temporale, occipitale, limbische en insulaire kwabben (aan elke kant) door de Talairach Atlas [18] (figuur 2). Deze regio's werden bevestigd door twee ervaren radiologen. Ten slotte hebben we subregio's SWM-atlas toegevoegd voor betere en eenvoudigere toegang tot DSI-Studio-softwareatlassen. In totaal werden 12 SWM-regio's en gemiddelde DTI- en QSDR-waarden berekend voor elke regio.

2.2.3. Tractografiebenadering

Om de tractografieparameters te extraheren, werden FA- en QA-indexen gebruikt voor DTI- en QSDR-reconstructie om respectievelijk de vezelvolgdrempel te bepalen. Aanvankelijk werden SWM-regio's (als ROI) geplaatst en werd tractografie los van de regio's uitgevoerd. De tractografie van elk SWM-gebied werd uitgevoerd met 100000 zaden, willekeurig gegenereerd op de subvoxelposities, en de zaden werden over alle SWM-regio's geplaatst, met een stapgrootte van 0 (0,5 voxels tot 1,5 voxelafstand) en een afvlakkingswaarde van 1. Het volgen van de primaire vezel van een zaaipunt werd ingesteld om te stroomlijnen (Euler) en de richtingsinterpolatie werd ingesteld op trilineair. Het vezellengtebereik werd ingesteld tussen 30 en 300 mm.

2.2.4. Connectiviteit en netwerkanalyse

Na het uitvoeren van tractografie werd de structurele connectiviteit tussen de SWM-gebieden van de hersenen en de hersennetwerkmetingen verkregen door de QSDR-reconstructiemethode. Om dit te doen, werd de optie "Connectiviteitsmatrix" gebruikt om de connectiviteits- en netwerkparameters te extraheren. Zodat na het uitvoeren van een tractografie van de hele hersenen, interconnectiemetingen tussen de regio's van de SWM werden geëvalueerd op basis van het aantal verbindingen. Ook werd de gemeten informatie uit het netwerk (zoals efficiëntie, assortativiteit, betweenness, etc.) uit verschillende SWM-regio's gehaald.

2.3. Indelingsmethoden

We hebben de DTI-parameters van zowel reconstructie als gemeten parameters van de ROI, tractografie, connectiviteit en netwerkmethoden (d.w.z. FA, MD, RD, AxD en QA, QA, iso, RDI, netwerkwaarden en een aantal verbindingen tussen de hersengebieden) opgenomen. Voor elke groep werd geconverteerd naar CSV-bestanden om MATLAB-software in te voeren voor de classificatie. Functies die uit elk werden geëxtraheerd, bestonden uit 504 functies van de ROI-methode, 576 kenmerken van de tractografiemethode en 702 kenmerken van de connectiviteits- en netwerkmethode. Na het sorteren van de kenmerken werd de vector van kenmerken voor elk onderwerp geschat op basis van de 1782 kenmerken. Om de functiematrices voor te bereiden als input voor het SVM-classificatiemodel, werden intergroepsmatrices (HC-AD, HC-MCI en MCI-AD) met specifieke labels voor elke groep gemaakt.

Alle machine learning analyses werden uitgevoerd met behulp van MATLAB software (R2014a). De stappen kunnen worden onderverdeeld in het volgende stroomschema (zoals weergegeven in figuur 3).

Na DTI-gegevensverwerking, functie-extractie en het maken van objectvectoren werd de functieselectie uitgevoerd.

2.3.1. Selectie van functies

In dit neuroimaging onderzoek was het aantal kenmerken per proefpersoon erg hoog. Dus om de meest relevante kenmerken (of parameters) voor de classificatie te identificeren, gebruikten we een methode op basis van een snel correlatiegebaseerd filter (FCBF), een functieselectiemethode voor hoogdimensionale gegevens [19].

Na DTI-verwerking wordt functieselectie uitgevoerd met behulp van FCBFmethods en gebruikt in SVM voor binaire classificatie.

2.3.2. Leren en classificatie

Na functieselectie voerden we een interne 5-voudige kruisvalidatie uit voor de trainingsgegevens en pasten we het SVM-algoritme toe met behulp van binaire classificatie tussen de drie groepen. Kruisvalidatie is een modelvalidatietechniek die wordt gebruikt om prestatieveralgemening te garanderen; het is ook een hersteekproefmethode die wordt gebruikt om een model te beoordelen als we over beperkte gegevens beschikken [20]. In totaal evalueerden we de lineaire, kwadratische, kubische en Gaussische kernels (fijn, gemiddeld, grof). Vanwege de betere resultaten in lineaire, kwadratische en Gaussische kernels en om de complexiteit van de studie te verminderen, rapporteerden we de resultaten van deze drie kernels. Ten slotte tonen we de Roc-curve (Receiver operating characteristic) en het gebied onder de curve (AUC) voor de beste kernel in elke classificatie (zoals weergegeven in figuur 4).

2.3.3. Evaluatie

Zodra het SVM-algoritme is getraind, worden de resultaten inclusief nauwkeurigheid, specificiteit en gevoeligheid, die als volgt zijn gedefinieerd, gebruikt om de classificatieprestaties te evalueren.

Over het algemeen verwijst in deze vergelijkingen true positive (TP) naar het aantal patiënten dat correct is voorspeld, false positive (FP) verwijst naar het aantal gezonde controles dat verkeerd wordt voorspeld als patiënten, true negative (TN) verwijst naar het aantal gezonde controles dat correct is voorspeld en false negative (FN) verwijst naar het aantal patiënten dat ten onrechte als gezond is voorspeld [21].

3. Resultaat

3.1. Demografische en klinische kenmerken

Demografie en de klinische scores van de deelnemers zijn weergegeven in tabel 1. Er waren geen significante verschillen (P > 0,05) tussen de drie groepen met betrekking tot leeftijd en geslacht (zie tabel 1). Mini-mental state examination (MMSE), Global clinical dementia rating (CDR) en Functional Activities Questionnaire (FAQ) scores waren significant verschillend tussen de drie groepen. Statistische analyse van de basisinformatie werd uitgevoerd met behulp van SPSS 24.

3.2. De selectieve kenmerken van oppervlakkige witte stof

De FCBF-methode voor functieselectie toonde 8 kenmerken voor de classificatie van MCI en HC, 25 kenmerken voor de classificatie van AD en HC en 17 kenmerken voor de classificatie van AD en MCI (tabel 2). Figuur 5 toont het aantal selectieve kenmerken van de verschillende methoden van DTI.

3.3. De classificatieprestaties

De gemiddelde nauwkeurigheid, gevoeligheid en specificiteit werden gerapporteerd als de resultaten van deze studie. De lineaire kernel van SVM was de beste classificator, met een nauwkeurigheid van 95,8%, een gevoeligheid van 95,8% en een specificiteit van 95,8% tussen de AD- en HC-groepen, gevolgd door de kwadratische kernel van SVM met een nauwkeurigheid van 83,3%, een sensitiviteit van 94,4% en een specificiteit van 76,6% tussen de MCI- en HC-groepen en de Gaussische kernel van SVM met een nauwkeurigheid van 83,3%, een sensitiviteit van 80,7% en een specificiteit van 86,3% tussen de AD- en MCI-groepen) zoals weergegeven in tabel 1). Figuur 6 toont de vergelijking tussen de drie kernels en vindt de beste kernel in elke paar classificatie (zie Tabel 3).

4. Discussie

Er zijn verschillende methoden voor het analyseren van DTI-gegevens en elke methode heeft zijn sterke en zwakke punten. In deze studie gebruikten we drie methoden, namelijk ROI, tractografie, connectiviteit en netwerkanalyse, om de kenmerken van de oppervlakkige witte stof te verkrijgen [22].

De oppervlakkige witte stof is een van de regio's die zeer kwetsbaar is gebleken voor veel ziekten, volgens het retrogenesemodel [23]. Om deze reden is dit gebied in deze studie onderzocht.

Er zijn verschillende studies uitgevoerd om onderscheid te maken tussen individuen met AD en MCI en gezonde individuen en veel onderzoekers zijn geïnteresseerd in het vinden van methoden om deze drie groepen te scheiden. In de huidige studie pasten we een geautomatiseerde methode toe om proefpersonen met AD en MCI en HC-proefpersonen te classificeren op basis van DTI-kenmerken in de SWM.

Het is belangrijk op te merken dat de vezelarchitectuur van de SWM (met meerdere vezelpopulaties die "kruisende vezels" worden genoemd) een complexere orde vertoont dan de diepe witte stof (figuur 7). Om deze reden lijkt het noodzakelijk om de QSDR-reconstructietechniek te gebruiken, omdat modelvrije methoden nauwkeuriger zijn in voxels met meerdere vezelpopulaties in vergelijking met modelgebaseerde methoden [24]. Hiervoor gebruikten we de QSDR-techniek samen met de DTI-reconstructietechniek.

Vanwege de ontwikkeling van intelligente systemen in verschillende wetenschappen, werd een machine learning-systeem ontwikkeld voor parenclassificatie tussen de drie groepen. Voor zover we weten, is dit de eerste studie waarbij een ondersteunende vectormachine wordt gebruikt om de kenmerken van de DTI-technieken in de SWM te identificeren.

Onze resultaten van de controle versus MCI classificatie toonden aan dat de kwadratische kernel de beste kernel was voor deze classificatie, met een nauwkeurigheid van 83,3%. De discriminatie tussen AD-patiënten en oudere controles toonde een nauwkeurigheid van 95,8% door de lineaire kernel. Connectiviteitsparameters toonden groot belang in de geselecteerde functies. Een voorbeeld van deze verbanden is weergegeven in figuur 8.

Over het algemeen kan onderzoek van hersennetwerkfuncties onderzoekers informatie verschaffen over de meeste neurodegeneratieve ziekten, waaronder AD en MCI. Onlangs heeft de studie van netwerkeigenschappen bij de ziekte van Alzheimer de aandacht getrokken van verschillende onderzoekers. Onder deze onderzoekers zijn Daianu et al. [25], Seo et al. [26], Jalili et al. [27], Sheng et al. [28], en Sulaiman et al. [29]. Ze geloven dat de connectiviteitsanalyse van hersennetwerken een significant begrip biedt van hoe neurale paden afbreken bij de ziekte van Alzheimer. Bijvoorbeeld, zoals gerapporteerd in de studie van Yongxia Zhou et al., was het kenmerk van het kleine wereldnetwerk in de hersenschors in staat om onderscheid te maken tussen Alzheimerpatiënten en MCI-patiënten. In deze studie toonde het kleine-wereldnetwerk, als een van de selectieve kenmerken in de oppervlakkige witte stof, het vermogen om AD van MCI te onderscheiden, en het kon worden gebruikt om de achteruitgang van geheugen en cognitieve functies te verklaren, in overeenstemming met

de bevindingen van eerdere studies dat verlies van kenmerken van kleine-wereldnetwerken verandert bij AD-patiënten [30, 31, 32].

Ook kan de PageRank-meting de hersengebieden markeren met een hoger aantal externe links [33]. In onze studie was de PageRank in de frontale en pariëtale regio's een van de belangrijkste geïdentificeerde kenmerken voor AD-diagnose en het zou een belangrijkere rol kunnen spelen in de hersenen.

Een van de belangrijkste bevindingen van de studie is de lengte en het aantal van de linker pariëtale kwabkanalen in de scheiding van AD van MCI. Desikan et al.'s studie noemde het belang van pariëtale kwabbeschadiging als een voorspeller van progressie van MCI naar AD [34]. De tractografieresultaten van deze studie kunnen de conclusie van de vorige studie in de SWM-regio bevestigen. Omdat MKI's een hoger risico hebben op het ontwikkelen van AD dan controles, kan het onderzoeken van pariëtale kwab een nuttige indicator zijn.

Ook werd bij het toevoegen aan tractografie-fifindings in AD versus MCI-vergelijkingen de verstoring in connectiviteit tussen de temporale en pariëtale kwabben en ook limbische en occipitale kwabben waargenomen bij AD's. Met andere woorden, korteafstandsvezelverbindingen in het temporoparietale kunnen een essentiële bevinding zijn in de scheiding van deze twee ziekten. Het temporoparietale speelt een vitale rol in menselijke neurale functies op hoog niveau [35] die kunnen worden beschadigd bij de ziekte van Alzheimer. Desikan et al. onderzochten de atrofie van dit gebied in AD [34]. De bevindingen van deze studie met een nieuwe techniek en het gebruik van de kenmerken van de DTI-methode kunnen effectief zijn in het scheiden van MCI van AD. Een functionele magnetische resonantie beeldvorming (fMRI) studie toonde aan dat de insula het belangrijkste gebied is van de menselijke hersennetwerken en het meest kwetsbare gebied van AD [36]; de huidige studie kan deze resultaten in de oppervlakkige witte stof bevestigen omdat de kenmerken van insula zoals connectiviteit, iso, Tzz en Txy behoren tot de geselecteerde en belangrijkste kenmerken van Alzheimerpatiënten.

De meeste studies hebben gemeld dat DTI-waarden veranderen tussen de AD- en MCI-groepen. De classificatienauwkeurigheid in deze studie tussen AD en MCI was 83,3% door de Gaussische kernel, wat de beste kernel was voor deze classificatie.

Als suggestie voor toekomstig onderzoek zal het interessant zijn om andere modaliteiten en biomarkers op te nemen in de multimodale studie, zoals fMRI en elektro-encefalogram (EEG), positronemissietomografie (PET) en CSF-eiwitgegevens met DTI-gegevens en kan ook een van onze toekomstige doelen zijn.

5. Conclusie

Tot slot hebben we een methode uitgevoerd om automatisch onderscheid te maken tussen patiënten met AD en MCI en gezonde controles. In deze studie toonden we aan dat AD of MCI kon worden onderscheiden van HC met behulp van SWM-regiokenmerken via DTI. Functies verkregen uit de ROI, tractografie en connectiviteit en netwerkmethoden kunnen dus helpen bij de diagnose van AD en MCI. Ten slotte biedt deze studie een achtergrond om de andere geautomatiseerde classificatiemethoden in deze regio's te evalueren.

5.1. Beperkingen

De steekproefomvang in machine learning is een cruciale factor die van invloed is op de prestaties van het model. De onderzoeksbeperking is de kleine steekproefomvang van de opgenomen proefpersonen.

Verwijzingen
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, DTI en structurele MRI-classificatie bij de ziekte van Alzheimer, Adv. Mol. Imag. 2012 (2012).
[2] S.A. Eshkoor, T.A. Hamid, C.Y. Mun, C.K. Ng, Milde cognitieve stoornissen en het beheer ervan bij ouderen, Clin. Interv. Veroudering 10 (2015) 687–693.
[3] O.R. Phillips, S.H. Joshi, F. Piras, M.D. Orfei, M. Iorio, K.L. Narr, et al., The superficial white matter in Alzheimer's disease, Hum. Brain Mapp. 37 (4) (2016) 1321–1334.
[4] W. Reginold, A.C. Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Altered superficial white matter on tractography MRI in Alzheimer's disease, Dementia Geriatr. Bewust. Disord. Extra 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, The application of medical artificial intelligence technology in rural areas of developing countries, Health Equity 2 (1) (2018) 174–181.
[6] K.D. Davis, H. Flor, H.T. Greely, G.D. Iannetti, S. Mackey, M. Ploner, et al., Brain imaging tests for chronic pain: medical, legal and ethical issues and recommendations, Nat. Rev. Neurol. 13 (2017) 624.
[7] M. Dyba, M. Ewers, M. Wegrzyn, I. Kilimann, C. Plant, A. Oswald, et al., Combining DTI and MRI for the automated detection of Alzheimer's disease using a large European multicenter dataset, in International Workshop on Multimodal Brain Image Analysis, Springer, 2012, pp. 18-28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long, et al., Verschillen tussen gegeneraliseerde Q-sampling beeldvorming en diffusie tensor beeldvorming in de visualisatie van kruisende neurale vezels in de hersenen, Surg. Radiol. Anat. 41 (9) (2019) 1019–1028.
[9] S.Y. Lim, Y.-S. Tyan, J.-P. Chao, F.-Y. Nien, J.-C. Weng, New insights into the developing rabbit brain using diffusion tensor tractography and generalized sampling MRI, PLoS One 10 (3) (2015).
[10] F.C. Yeh, L. Liu, T.K. Hitchens, Y.L. Wu, Mapping immune cell infiltration using restricted diffusion MRI, Magn. Reson. Med. 77 (2) (2017) 603–612.
[11] G. Prasad, T.M. Nir, A.W. Toga, P.M. Thompson, Tractography density and network measures in Alzheimer's disease, in: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE, 2013, pp. 692–695.
[12] A. Mheich, F. Wendling, M. Hassan, Brain Network Similarity: Methods and Applications, 2019 arXiv preprint arXiv:190810592.
[13] O. Sporns, Grafentheorie methoden: toepassingen in hersennetwerken, Dialogen Clin. Neurosci. 20 (2) (2018) 111.
[14] O. Sporns, J.D. Zwi, The small world of the cerebral cortex, Neuroinformatics 2 (2) (2004) 145–162. [15] A. Nazeri, M.M. Chakravarty, T.K. Rajji, D. Felsky, D.J. Rotenberg, M. Mason, et al.,
Oppervlakkige witte stof als een nieuw substraat van leeftijdsgebonden cognitieve achteruitgang, Neurobiol. Ouder worden 36 (6) (2015) 2094–2106.
[16] A. Nazeri, M.M. Chakravarty, D. Felsky, N.J. Lobaugh, T.K. Rajji, B.H. Mulsant, et al., Veranderingen van oppervlakkige witte stof bij schizofrenie en relatie tot cognitieve prestaties, Neuropsychopharmacologie: Off. Publ. Am. College Neuropsychopharmacol. 38 (10) (2013) 1954.
[17] G.C. Ribas, De cerebrale sulci en gyri, Neurochirurg. Focus 28 (2) (2010) E2. [18] J. Talairach, Co-planaire stereotaxische Atlas van het menselijk brein-3-dimensionaal proportioneel systeem. An Approach to Cerebral Imaging, 1988.
[19] L. Yu, H. Liu, Feature selection for high-dimensional data: a fast correlation-based filter solution, in Proceedings of the 20th International Conference on Machine Learning (ICML-03), 2003, pp. 856–863.
[20] M.W. Browne, Cross-validation methods, J. Math. Psychol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Sensitivity, specificity, accuracy, associated confidence interval and ROC analysis with practical SAS implementations, 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, S.A. Zamanpour, F. Zemorshidi, F. Boroumand, H. Zare, Alzheimer's Disease Neuroimaging Initiative. Identificatie van oppervlakkige witte stofafwijkingen bij de ziekte van Alzheimer en milde cognitieve stoornissen met behulp van diffusietensorbeeldvorming, 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., Differences between generalized q-sampling imaging and diffusion tensor imaging in the preoperative visualization of the nerve fiber tracts within peritumoral edema in brain, Neurosurgery 73 (6) (2013) 1044–1053.
[25] M. Daianu, E.L. Dennis, N. Jahanshad, T.M. Nir, A.W. Toga, C.R. Jack, et al., Alzheimer's disease disrupts rich club organization in brain connectivity networks, in: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE, 2013, pp. 266–269.
[26] E.H. Seo, D.Y. Lee, J.-M. Lee, J.-S. Park, B.K. Sohn, D.S. Lee, et al., Whole-brain functional networks in cognitively normal, mild cognitive impairment, and Alzheimer's disease, PLoS One 8 (1) (2013).
[27] M. Jalili, Graph theoretical analysis of Alzheimer's disease: discrimination of AD patients from healthy subjects, Inf. Sci. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Het identificeren en karakteriseren van verschillende stadia in de richting van de ziekte van Alzheimer met behulp van geordende kernfuncties en machine learning, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, P.M. Thompson, et al., Predicting brain network changes in Alzheimer's disease with link prediction algorithms, Mol. Biosyst. 13 (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang, et al., Abnormal cortical networks in mild cognitive impairment and Alzheimer's disease, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Structural insights into aberrant topological patterns of large-scale cortical networks in Alzheimer's disease, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Neuronal networks in Alzheimer's disease, Neuroscientist 15 (4) (2009) 333–350.
[33] A. Ebadi, J.L. Dalboni da Rocha, D.B. Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho, et al., Ensemble classification of Alzheimer's disease and mild cognitive impairment based on complex graph measures from diffusion tensor images, Front. Neurosci. 11 (2017) 56.
[34] R.S. Desikan, H.J. Cabral, B. Fischl, C.R. Guttmann, D. Blacker, B.T. Hyman, et al., Temporoparietale MR-beeldvormingsmetingen van atrofie bij proefpersonen met milde cognitieve stoornissen die een latere diagnose van de ziekte van Alzheimer voorspellen, Am. J. Neuroradiol. 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, Tracing short connections of the temporoparieto-occipital region in the human brain using diffusion spectrum imaging and fiber dissection, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song, et al., Altered functional connectivity of insular subregions in Alzheimer's disease, Front. Veroudering Neurosci. 10 (2018) 107.