基于形变形态测量学框架利用学习到的正常衰老模板分离阿尔茨海默病与正常衰老
计算机视觉与模式识别
2025-04-08 v1
摘要
阿尔茨海默病（AD）与正常衰老均以脑萎缩为特征。AD相关脑萎缩是加速衰老还是不同于正常衰老的神经退行过程这一问题尚待解决。此外，在临床背景下精确地将AD相关脑萎缩与正常衰老分离十分复杂。本研究中，我们提出一种基于形变形态测量学（DBM）的框架，从形态学MRI扫描中估计受试者的正常衰老和AD特异性萎缩模式。我们首先利用基于深度学习的方法创建认知正常（CN）受试者的年龄依赖模板。这些模板对CN人群中的正常衰老萎缩模式进行建模。然后，我们使用学习到的微分同胚配准在体素水平估计一年期正常衰老模式。第二步，我们将测试图像配准到60岁CN模板。最后，通过测量该配准与一年期正常衰老模式的对齐程度来估计正常衰老和AD特异性分数。该方法在OASIS3数据集上开发与评估，包含1,014张T1加权MRI扫描。其中326张来自CN受试者，688张来自临床诊断为不同临床严重程度（由临床痴呆评定量表CDR分数定义）AD的个体。结果显示，在AD受试者中脑室主要遵循加速的正常衰老模式。相反，海马体和杏仁核区域同时受正常衰老和AD特异性因素影响。有趣的是，海马体和杏仁核区域在疾病早期临床阶段表现出更多的加速正常衰老模式，而AD特异性分数在后期临床阶段增加。我们的代码可在 https://github.com/Fjr9516/DBM_with_DL 免费获取。
引用
@article{arxiv.2311.08176,
title = {A deformation-based morphometry framework for disentangling Alzheimer's disease from normal aging using learned normal aging templates},
author = {Jingru Fu and Daniel Ferreira and Örjan Smedby and Rodrigo Moreno},
journal= {arXiv preprint arXiv:2311.08176},
year = {2025}
}
备注
21 pages, 8 figures