MRI联合海马、内嗅皮层体积鉴别阿尔茨海默病和轻度认知障碍

目的通过联合基于MRI的联合海马体积和内嗅皮层体积,提高阿尔茨海默病(Alzheimer’s disease,AD)和轻度认知障碍(mild cognitive impairment,MCI)的诊断准确率。方法对133例AD患者、305例MCI患者及190例健康对照(normal control,NC)的MRI数据进行脑区分割,测量获得双侧海马和内嗅皮层体积,采用Logistic回归模型合并双侧海马和内嗅皮层体积作为联合指标,利用受试者工作特性曲线(receiver operating characteristic curve,ROC)评价联合指标和单一指标对三组被试的分类效果。结果 NC-AD、MCI-AD组间双侧海马和内嗅皮层体积均有显著差异(P<0.05);NC-MCI组间双侧海马和左侧内嗅皮层体积均有显著差异(P<0.05)。联合指标对于NC-MCI、NCAD、MCI-AD的ROC曲线下面积(area under the curve,AUC)分别为0.902、0.987、0.974,且最优阈值点的特异度和灵敏度均超过了80%,分类准确率分别为84.3%、95.1%、92.3%,均高于四种单一指标。结论利用双侧海马和内嗅皮层联合指标可提高MCI和AD患者的诊断准确率。

基于Adaboost的轻度认知障碍和阿尔茨海默病分类

目的采用Adaboost集成分类方法区分轻度认知障碍(MCI)、阿尔茨海默病(AD)患者与正常对照(NC)的功能与结构磁共振成像数据。方法对26例MCI患者(MCI组)、26例AD患者(AD组)及30名健康老年人(NC组)的MRI图像进行分析,选择双侧海马体积及3组间存在显著差异脑区的低频振幅值(ALFF)作为分类特征,采用Adaboost集成分类器对3组被试进行两两分类,利用留一交叉验证估算分类准确率。结果增加性别、年龄和MMSE特征后,Adaboost集成分类方法对AD与MCI、MCI与NC、AD与NC分类准确率分别达98.08%、80.36%和100%。结论 Adaboost集成分类方法可较好地区分MCI、AD与NC。