DIVE：一种神经退行性疾病中脑病理变化的时空进展模型
计算机视觉与模式识别
2019-04-05 v1 机器学习
神经元与认知
定量方法
机器学习
摘要
在此我们提出 DIVE：数据驱动的逐顶点演化推断（Data-driven Inference of Vertexwise Evolution）。DIVE 是一种具有单顶点分辨率的基于图像的疾病进展模型，旨在从短期纵向数据集中重建脑病理的长期模式。DIVE 在皮质表面上对跨患者群体具有相似时间动态的逐顶点生物标志物测量进行聚类，并同时估计每个聚类中顶点测量的平均轨迹。DIVE 独特地输出将皮质划分为具有共同进展模式区域的图谱，从而形成个体疾病的新特征。DIVE 进一步估计每位受试者每次访视的疾病阶段和进展速度，可能增强临床试验或管理的分层。在模拟数据上，只要聚类间的平均轨迹差异足够大，DIVE 就能恢复真实聚类及其潜在轨迹。我们在两个队列的数据上演示 DIVE：阿尔茨海默病神经影像学倡议（ADNI）和英国痴呆研究中心（DRC），包含后皮质萎缩（PCA）患者以及典型阿尔茨海默病（tAD）患者。DIVE 在两个独立数据集（ADNI 和 DRC）中对 tAD 受试者发现了相似的海马体萎缩空间模式，并进一步揭示了不同疾病（tAD 与 PCA）以及不同类型生物标志物数据：来自磁共振成像（MRI）的皮质厚度与来自正电子发射断层扫描（PET）的淀粉样蛋白负荷之间的明显病理模式。最后，DIVE 可用于使用任何类型的体素级或顶点级测量（包括 Jacobian 压缩图、来自扩散成像的分数各向异性（FA）图或其他 PET 测量）估计脑中精细的病理空间分布。DIVE 源代码可在线获取：https://github.com/mrazvan22/dive
引用
@article{arxiv.1901.03553,
title = {DIVE: A spatiotemporal progression model of brain pathology in neurodegenerative disorders},
author = {Razvan V. Marinescu and Arman Eshaghi and Marco Lorenzi and Alexandra L. Young and Neil P. Oxtoby and Sara Garbarino and Sebastian J. Crutch and Daniel C. Alexander},
journal= {arXiv preprint arXiv:1901.03553},
year = {2019}
}
备注
24 pages, 5 figures, 2 tables, 1 algorithm