利用MRI多特征整合灰质与白质信息标记帕金森病队列亚型
图像与视频处理
2024-03-28 v1 计算机视觉与模式识别
神经元与认知
摘要
网络阈值化长期以来是脑连接分析中的一个挑战。加权网络通常使用阈值度量进行二值化以促进网络分析。以往基于MRI的脑网络研究主要采用基于密度或稀疏度的阈值化技术，并在由网络度量（如路径长度、聚类系数和小世界指数）导出的特定范围内进行优化。因此，确定单一阈值以促进网络的比较分析仍然难以实现。为解决此问题，本研究引入基于互K近邻（MKNN）的阈值化方法用于脑网络分析。在此方法中，近邻选择基于脑区特征间的最高相关性。脑网络的构建通过计算每对脑区灰质体积和白质体积之间的Pearson相关性完成。分析了来自印度NIMHANS的180名帕金森病患者和70名对照的结构MRI数据。使用基于源的形态测量分解，基于灰质和白质体积萎缩识别帕金森病内的亚型。将载荷系数与临床特征相关联，以辨别临床特征与所解读亚型的关系。我们的数据挖掘方法揭示：亚型A（N=51，中间型），亚型B（N=57，轻度-重度型伴轻度运动症状），以及亚型AB（N=36，最重度型以运动障碍为主）。使用基于MKNN的阈值化对亚型特异性加权矩阵进行二值化以进行脑网络分析。对所得二分图的网络度量进行置换检验，显示出在介数中心性和参与系数上的显著组间差异。识别的枢纽节点对每个亚型具有特异性，部分枢纽节点在不同亚型间保守存在。
引用
@article{arxiv.2403.17332,
title = {Labeling subtypes in a Parkinson's Cohort using Multifeatures in MRI -- Integrating Grey and White Matter Information},
author = {Tanmayee Samantaray and Jitender Saini and Pramod Kumar Pal and Bithiah Grace Jaganathan and Vijaya V Saradhi and Gupta CN},
journal= {arXiv preprint arXiv:2403.17332},
year = {2024}
}
备注
31 pages, 10 figures, 3 tables