利用低秩与稀疏子空间分解开发单变量神经退行生物标志物
计算机视觉与模式识别
2020-10-28 v1
摘要
由阿尔茨海默病（AD）引起的认知衰退与结构磁共振成像（sMRI）捕捉的脑结构改变密切相关。这支持了开发基于sMRI的单变量神经退行生物标志物（UNB）的有效性。然而，现有UNB工作要么未能建模大组间方差，要么未捕捉AD痴呆（ADD）诱导的改变。我们提出一种新颖的低秩与稀疏子空间分解方法，能够稳定量化由ADD诱导的形态学改变。具体而言，我们提出一种数值高效的秩最小化机制以提取组间共同结构，并施加正则化约束来编码原始3D形态测量连通性。进一步，我们通过 AD与认知未受损（CU）组的共同子空间间的组间差异研究生成感兴趣区域（ROI）。从这些ROI中，通过汇总以 AD与 CU组间归一化差异加权的个体形态学特征，构建单变量形态测量指数（UMI）。我们使用海马表面径向距离特征计算UMI，并在阿尔茨海默病神经成像倡议（ADNI）队列中验证我们的工作。利用海马UMI，估计在80%功效和双尾下检测年均变化降低25%所需的最小样本量分别为纵向 AD、轻度认知障碍（MCI）和 CU组的116、279和387。此外，对于MCI患者，UMI与18个月内转化为AD的风险比（4.3，95% CI=2.3-8.2）良好相关。我们的实验结果优于传统海马体积测量，并提示UMI作为潜在UNB的应用。
引用
@article{arxiv.2010.13954,
title = {Developing Univariate Neurodegeneration Biomarkers with Low-Rank and Sparse Subspace Decomposition},
author = {Gang Wang and Qunxi Dong and Jianfeng Wu and Yi Su and Kewei Chen and Qingtang Su and Xiaofeng Zhang and Jinguang Hao and Tao Yao and Li Liu and Caiming Zhang and Richard J Caselli and Eric M Reiman and Yalin Wang},
journal= {arXiv preprint arXiv:2010.13954},
year = {2020}
}
备注
Accepted by Medical Image Analysis