دوره 35، شماره 2 - ( 2-1403 )
جلد 35 شماره 2 صفحات 144-136 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Gharbali A, Golestani R, Nazarbaghi S. DIFFERENTIAL DISCRIMINATION OF THE ALZHEIMER PATIENTS FROM NORMAL AGING BY COMPUTERIZE ANALYSIS OF THE BRAIN MRI. Studies in Medical Sciences 2024; 35 (2) :136-144
URL: http://umj.umsu.ac.ir/article-1-4707-fa.html
URL: http://umj.umsu.ac.ir/article-1-4707-fa.html
غربالی اکبر، گلستانی رضوان، نظرباغی سورنا. تفکیک افتراقی بیماران آلزایمری از سالخوردگان نرمال با آنالیز کامپیوتری تصاویر ام آر ای مغزی. مجله مطالعات علوم پزشکی. 1403; 35 (2) :136-144
استادیار فیزیک پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران (نویسنده مسئول) ، gharbali@yahoo.com
چکیده: (1310 مشاهده)
پیش‌زمینه و هدف: تشخیص به‌موقع در توان‌بخشی بیماران با زوال عقلی ناشی از بیماری آلزایمر اهمیت بسزایی دارد. مطالعه توصیفی - کاربردی حاضر کوششی است برای کمک به بهبود دقت تشخیص و تفکیک به‌موقع بیماران آلزایمری از سالخورده سالم بروش آنالیز کامپیوتری ویژگی ساختار بافتی تصاویر ام آر ای مغزی.. بررسی متون نشان می‌دهد تحقیقات گسترده آنالیز کامپیوتری ساختاری داده‌های پیکسلی تصاویر دیجیتالی انجام‌شده در تشخیص افتراقی بیماری‌های مختلف نویدبخش است.
مواد و روش کار: با رعایت اخلاق پزشکی, تصاویر ام آر ای مغزی 13 بیمار آلزایمر و 13 بیمار سالمند مورد تفکیک کامپیوتری با نرم‌افزار مزدا MaZda قرار گرفتند. از طریق مارکرهایی در ناحیه هیپوکامپ هر تصویر مغزی, ناحیه موردنظر (region of interest=ROI) انتخاب و صدها پارامتر ویژگی ساختاری بافت هریک از نواحی ROI استخراج و مقادیر کمی‌شان برآورد و نهایتاً دو مجموعه ده‌تایی از بهترین پارامترهای توصیف‌کننده تمایز مشخصه‌های بافتی آلزایمر از سالخورده سالم با محاسبه ضریب فیشر ماکزیمم و یا مینیمم احتمال خطا + ضریب متوسط همبستگی تخلیص و سپس استاندارد شدند. تشخیص افتراقی آلزایمر از سالخوردگی سالم با کاربرد آنالیز مؤلفه اصلی (PCA), آنالیز تفکیک خطی (LDA) و آنالیز تفکیک غیرخطی ((NDA انجام گرفت. کارایی روش‌های کاربردی از طریق راست آزمایی و آنالیز منحنی راک ROC cure ازنظر حساسیت, ویژگی, و دقت مورد تحلیل و مقایسه قرار گرفتند.
یافته‌ها: در تشخیص و تفکیک افتراقی بیماران آلزایمری از افراد سالخورده سالم, در کل کارایی روش LDA در مقایسه با PCA با حساسیت 92.85درصد ویژگی 100درصد از اطمینان 0.96 برخوردار بوده است. از طرفی در مقایسه با LDA, آنالیز ساختاری بافت بروش NDA از حساسیت 100درصد, ویژگی 100درصد و دقت 100 درصد برخوردار است.
بحث و نتیجه‌گیری: تحقیق حاضر نشان می‌دهد تشخیص کامپیوتری اتروفی بافت مغزی در تصاویر ام آر ای می‌تواند به‌عنوان ابزار دقیق کمکی در تشخیص زودهنگام و توان‌بخشی به‌موقع بیماری آلزایمر مؤثر باشد.
مواد و روش کار: با رعایت اخلاق پزشکی, تصاویر ام آر ای مغزی 13 بیمار آلزایمر و 13 بیمار سالمند مورد تفکیک کامپیوتری با نرم‌افزار مزدا MaZda قرار گرفتند. از طریق مارکرهایی در ناحیه هیپوکامپ هر تصویر مغزی, ناحیه موردنظر (region of interest=ROI) انتخاب و صدها پارامتر ویژگی ساختاری بافت هریک از نواحی ROI استخراج و مقادیر کمی‌شان برآورد و نهایتاً دو مجموعه ده‌تایی از بهترین پارامترهای توصیف‌کننده تمایز مشخصه‌های بافتی آلزایمر از سالخورده سالم با محاسبه ضریب فیشر ماکزیمم و یا مینیمم احتمال خطا + ضریب متوسط همبستگی تخلیص و سپس استاندارد شدند. تشخیص افتراقی آلزایمر از سالخوردگی سالم با کاربرد آنالیز مؤلفه اصلی (PCA), آنالیز تفکیک خطی (LDA) و آنالیز تفکیک غیرخطی ((NDA انجام گرفت. کارایی روش‌های کاربردی از طریق راست آزمایی و آنالیز منحنی راک ROC cure ازنظر حساسیت, ویژگی, و دقت مورد تحلیل و مقایسه قرار گرفتند.
یافته‌ها: در تشخیص و تفکیک افتراقی بیماران آلزایمری از افراد سالخورده سالم, در کل کارایی روش LDA در مقایسه با PCA با حساسیت 92.85درصد ویژگی 100درصد از اطمینان 0.96 برخوردار بوده است. از طرفی در مقایسه با LDA, آنالیز ساختاری بافت بروش NDA از حساسیت 100درصد, ویژگی 100درصد و دقت 100 درصد برخوردار است.
بحث و نتیجه‌گیری: تحقیق حاضر نشان می‌دهد تشخیص کامپیوتری اتروفی بافت مغزی در تصاویر ام آر ای می‌تواند به‌عنوان ابزار دقیق کمکی در تشخیص زودهنگام و توان‌بخشی به‌موقع بیماری آلزایمر مؤثر باشد.
نوع مطالعه: پژوهشي(توصیفی- تحلیلی) |
موضوع مقاله:
فیزیک پزشکی
فهرست منابع
1. Zhang J, Yu C, Jiang G, Liu W, Tong L. 3D texture analysis on MRI images of Alzheimer's disease. Brain Imaging Behav 2012;6(1):61-9. http://dx.doi.org/10.1007/s11682-011-9142-3 [DOI:10.1007/s11682-011-9142-3] [PMID]
2. Folstein MF, Folstein SE, Mchugh PR. Mini-mental state": a practical method for grading the cognitive state of patients for the clinician. J Psychiat Res 1975;12(3):189-98. [DOI:10.1016/0022-3956(75)90026-6] [PMID]
3. Morris JC. The Clinical Dementia Rating (CDR): current version and scoring rules: Current version and scoring rules. Neurology 1993;43(11):2412-4. http://dx.doi.org/10.1212/wnl.43.11.2412-a [DOI:10.1212/WNL.43.11.2412-a] [PMID]
4. Dubois B, Feldman HH, Jacova C, Dekosky ST, Barberger-Gateau P, Cummings J, et al. Research criteria for the diagnosis of Alzheimer's disease: revising the NINCDS-ADRDA criteria. Lancet Neurol 2007;6(8):734-46. http://dx.doi.org/10.1016/S1474-4422(07)70178-3 [DOI:10.1016/S1474-4422(07)70178-3] [PMID]
5. Leandrou S, Petroudi S, Kyriacou PA, Reyes-Aldasoro CC, Pattichis CS. Quantitative MRI brain studies in mild cognitive impairment and Alzheimer's disease: A methodological review. IEEE Rev Biomed Eng 2018;11:97-111. http://dx.doi.org/10.1109/rbme.2018.2796598 [DOI:10.1109/RBME.2018.2796598] [PMID]
6. Fox NC, Freeborough PA, Rossor MN. Visualisation and quantification of rates of atrophy in Alzheimer's disease. Lancet 1996;348(9020):94-7. http://dx.doi.org/10.1016/s0140-6736(96)05228-2 [DOI:10.1016/S0140-6736(96)05228-2] [PMID]
7. Scheltens P, van de Pol L. Impact commentaries. Atrophy of medial temporal lobes on MRI in "probable" Alzheimer's disease and normal ageing: diagnostic value and neuropsychological correlates. J Neurol Neurosurg Psychiatry 2012;83(11):1038-40. http://dx.doi.org/10.1136/jnnp-2012-302562 [DOI:10.1136/jnnp-2012-302562] [PMID]
8. Hwang E-J, Kim H-G, Kim D, Rhee HY, Ryu C-W, Liu T, et al. Texture analyses of quantitative susceptibility maps to differentiate Alzheimer's disease from cognitive normal and mild cognitive impairment: Texture analyses of QSM in AD and MCI. Med Phys 2016;43(8):4718. http://dx.doi.org/10.1118/1.4958959 [DOI:10.1118/1.4958959] [PMID]
9. Evans MC, Barnes J, Nielsen C, Kim LG, Clegg SL, Blair M, et al. Volume changes in Alzheimer's disease and mild cognitive impairment: cognitive associations. Eur Radiol 2010;20(3):674-82. http://dx.doi.org/10.1007/s00330-009-1581-5 [DOI:10.1007/s00330-009-1581-5] [PMID]
10. Karas GB, Burton EJ, Rombouts SARB, van Schijndel RA, O'Brien JT, Scheltens P h., et al. A comprehensive study of gray matter loss in patients with Alzheimer's disease using optimized voxel-based morphometry. Neuroimage 2003;18(4):895-907. http://dx.doi.org/10.1016/s1053-8119(03)00041-7 [DOI:10.1016/S1053-8119(03)00041-7] [PMID]
11. Karas GB, Scheltens P, Rombouts SARB, Visser PJ, van Schijndel RA, Fox NC, et al. Global and local gray matter loss in mild cognitive impairment and Alzheimer's disease. Neuroimage 2004;23(2):708-16. http://dx.doi.org/10.1016/j.neuroimage.2004.07.006 [DOI:10.1016/j.neuroimage.2004.07.006] [PMID]
12. Colliot O, Chételat G, Chupin M, Desgranges B, Magnin B, Benali H, et al. Discrimination between Alzheimer disease, mild cognitive impairment, and normal aging by using automated segmentation of the hippocampus. Radiology 2008;248(1):194-201. http://dx.doi.org/10.1148/radiol.2481070876 [DOI:10.1148/radiol.2481070876] [PMID]
13. Chupin M, Mukuna-Bantumbakulu AR, Hasboun D, Bardinet E, Baillet S, Kinkingnéhun S, et al. Anatomically constrained region deformation for the automated segmentation of the hippocampus and the amygdala: Method and validation on controls and patients with Alzheimer's disease. Neuroimage 2007;34(3):996-1019. http://dx.doi.org/10.1016/j.neuroimage.2006.10.035 [DOI:10.1016/j.neuroimage.2006.10.035] [PMID]
14. Pennanen C, Kivipelto M, Tuomainen S, Hartikainen P, Hänninen T, Laakso MP, et al. Hippocampus and entorhinal cortex in mild cognitive impairment and early AD. Neurobiol Aging 2004;25(3):303-10. http://dx.doi.org/10.1016/S0197-4580(03)00084-8 [DOI:10.1016/S0197-4580(03)00084-8] [PMID]
15. Jack CR Jr, Bernstein MA, Fox NC, Thompson P, Alexander G, Harvey D, et al. The Alzheimer's Disease Neuroimaging Initiative (ADNI): MRI methods. J Magn Reson Imaging 2008;27(4):685-91. http://dx.doi.org/10.1002/jmri.21049 [DOI:10.1002/jmri.21049] [PMID] []
16. Schuff N, Woerner N, Boreta L, Kornfield T, Shaw LM, Trojanowski JQ, et al. MRI of hippocampal volume loss in early Alzheimer's disease in relation to ApoE genotype and biomarkers. Brain 2009;132(Pt 4):1067-77. http://dx.doi.org/10.1093/brain/awp007 [DOI:10.1093/brain/awp007] [PMID] []
17. Castellano G, Bonilha L, Li LM, Cendes F. Texture analysis of medical images. Clin Radiol 2004;59(12):1061-9. http://dx.doi.org/10.1016/j.crad.2004.07.008 [DOI:10.1016/j.crad.2004.07.008] [PMID]
18. Sørensen L, Igel C, Hansen L, Osler N, Lauritzen M, Rostrup M. Early detection of Alzheimer's disease using M RI hippocampal texture. Hum Brain Map 2016;37(3):1148-61. [DOI:10.1002/hbm.23091] [PMID] []
19. Freeborough PA, Fox NC. MR image texture analysis applied to the diagnosis and tracking of Alzheimer's disease. IEEE Trans Med Imaging 1998;17(3):475-9. http://dx.doi.org/10.1109/42.712137 [DOI:10.1109/42.712137] [PMID]
20. Jia -Hui. Magnetic Resonance Texture Analysis in Alzheimer's disease. Acad Radiol 2020(12):1774-83. [DOI:10.1016/j.acra.2020.01.006] [PMID]
21. Silva J, Bruno C, Bispo Pedro M. Structural MRI Texture Analysis for Detecting Alzheimer's Disease. Journal of Medical and Biological Engineering 2023;43:227-38. [DOI:10.1007/s40846-023-00787-y]
22. Salunkhe S, Bachute M, Gite S, Vyas N, Khanna S, Modi K, et al. Classification of Alzheimer's disease patients using texture analysis and machine learning. Appl Syst Innov 2021;4(3):49. http://dx.doi.org/10.3390/asi4030049 [DOI:10.3390/asi4030049]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
