欢迎访问《中国医学影像技术》网站。

设为首页 | 加入收藏 | 联系我们

2025-06-15 星期日
首页 | 本刊简介 | 编委会 | 收录情况 | 投稿须知 | 期刊订阅 | 科学家精神 | 科学数据银行 | 广告招商

陈志庚,毕晟,何雨洁,薛寒笑,崔碧霄,杨宏伟,齐志刚,韩璎,闫少珍,卢洁.PET/MRI海马纹理特征诊断阿尔茨海默病与遗忘型轻度认知障碍[J].中国医学影像技术,2024,40(4):502~507

PET/MRI海马纹理特征诊断阿尔茨海默病与遗忘型轻度认知障碍

PET/MRI hippocampal texture analysis for diagnosing Alzheimerdisease and amnestic mild cognitive impairment

投稿时间：2023-09-19 修订日期：2023-12-01

DOI：10.13929/j.issn.1003-3289.2024.04.006

中文关键词: 阿尔茨海默病海马正电子发射断层显像磁共振成像

英文关键词:Alzheimer disease hippocampus positron-emission tomography magnetic resonance imaging

基金项目:国家自然科学基金项目(82102010)、北京市科技新星计划(2021B00001609、20220484177)、北京市科技计划项目(Z201100005520018)。

作者	单位	E-mail
陈志庚	首都医科大学宣武医院放射与核医学科, 北京 100053 磁共振成像脑信息学北京市重点实验室, 北京 100053 神经变性病教育部重点实验室, 北京 100053
毕晟	首都医科大学宣武医院放射与核医学科, 北京 100053 磁共振成像脑信息学北京市重点实验室, 北京 100053 神经变性病教育部重点实验室, 北京 100053
何雨洁	首都医科大学宣武医院放射与核医学科, 北京 100053 磁共振成像脑信息学北京市重点实验室, 北京 100053 神经变性病教育部重点实验室, 北京 100053
薛寒笑	首都医科大学宣武医院放射与核医学科, 北京 100053 磁共振成像脑信息学北京市重点实验室, 北京 100053 神经变性病教育部重点实验室, 北京 100053
崔碧霄	首都医科大学宣武医院放射与核医学科, 北京 100053 磁共振成像脑信息学北京市重点实验室, 北京 100053 神经变性病教育部重点实验室, 北京 100053
杨宏伟	首都医科大学宣武医院放射与核医学科, 北京 100053 磁共振成像脑信息学北京市重点实验室, 北京 100053 神经变性病教育部重点实验室, 北京 100053
齐志刚	首都医科大学宣武医院放射与核医学科, 北京 100053 磁共振成像脑信息学北京市重点实验室, 北京 100053 神经变性病教育部重点实验室, 北京 100053
韩璎	首都医科大学宣武医院神经内科, 北京 100053
闫少珍	首都医科大学宣武医院放射与核医学科, 北京 100053 磁共振成像脑信息学北京市重点实验室, 北京 100053 神经变性病教育部重点实验室, 北京 100053	yansz_me@ccmu.edu.cn
卢洁	首都医科大学宣武医院放射与核医学科, 北京 100053 磁共振成像脑信息学北京市重点实验室, 北京 100053 神经变性病教育部重点实验室, 北京 100053

摘要点击次数: 1051

全文下载次数: 598

中文摘要:

目的观察PET/MRI海马纹理特征诊断阿尔茨海默病(AD)及遗忘型轻度认知障碍(aMCI)的价值。方法回顾性分析55例AD(AD组)、60例aMCI患者(aMCI组)及55名健康受试者(HC组),按7 ∶ 3比例随机分为训练集与测试集,行一体化PET/MRI,获取3D T1WI和¹⁸F-FDG PET图;对训练集提取双侧海马ROI纹理特征,分别以逻辑回归(LR)、支持向量机(SVM)及随机森林(RF)算法建立3D T1WI模型、¹⁸F-FDG PET模型及联合模型,以受试者工作特征曲线评估各模型诊断AD与aMCI的效能。结果小波特征在可用于诊断AD与aMCI的最优海马纹理特征中占比最高。基于各算法的联合模型诊断测试集AD的曲线下面积(AUC)均最高(0.996、0.993、0.991),¹⁸F-FDG PET模型次之(0.941、0.941、0.967)而3D T1WI模型最低(0.801、0.801、0.750)。基于LR、RF算法的联合模型诊断测试集aMCI的AUC最高(0.967、0.992),¹⁸F-FDG PET模型次之(0.951、0.971),3D T1WI模型最低(0.833、0.824)。基于SVM算法的联合模型与¹⁸F-FDG PET模型诊断测试集aMCI的AUC相同(0.951)并均高于3D T1WI模型(0.833)。结论 PET/MRI海马纹理分析有助于诊断AD及aMCI;多模态联合诊断优于单模态,且具有良好稳定性。

英文摘要:

Objective To investigate the diagnostic value of PET/MRI hippocampal texture analysis for diagnosing Alzheimer disease (AD) and amnestic mild cognitive impairment (aMCI). Methods Data of 55 patients with AD (AD group), 60 patients with aMCI (aMCI group) and 55 healthy controls (HC group) were retrospectively analyzed. The subjects were randomly divided into training and testing sets in a ratio of 7 ∶ 3. Simultaneous PET/MRI was performed to obtain 3D T1WI and ¹⁸F-FDG PET. Texture features of ROI on both side hippocampus in training set were extracted. Logistic regression (LR), support vector machine (SVM) and random forest (RF) were used to construct 3D T1WI models, ¹⁸F-FDG PET models and combined models, respectively. Receiver operating characteristic curves were drawn to evaluate the efficacy of the above models for diagnosing AD and aMCI. Results The wavelet features accounted for the most of the optimal hippocampal texture features for diagnosing AD and aMCI. Based on LR, SVM and RF algorithms, the area under the curve (AUC) of the combined models (0.996, 0.993, 0.991) were all the highest for diagnosing AD in testing set, followed by ¹⁸F-FDG PET models (0.941, 0.941, 0.967), and of single-modal model were the lowest (0.801, 0.801, 0.750). Based on LR and RF algorithms, AUC of the combined models (0.967, 0.992) were highest for diagnosing aMCI in testing set, followed by ¹⁸F-FDG PET models (0.951, 0.971), and the 3D T1WI models had the lowest AUC (0.833, 0.824). Based on SVM algorithm, AUC (0.951) of combined model and of ¹⁸F-FDG PET model for diagnosing aMCI in testing set were the same, both higher than that of 3D T1WI model (0.833). Conclusion PET/MRI hippocampal texture analysis was helpful for diagnosing AD and aMCI. Multimodal combined diagnosis was superior to single-modal, with good robustness across different machine learning models.

查看全文查看/发表评论下载PDF阅读器