目的:脑白质高信号(white matter hyperintensities,WMH)是老年人常见的影像特征之一,其在颅脑MRI T2WI及FLAIR序列上呈高信号,与痴呆、中风及死亡率增加密切相关。因此本文探讨影响WMH体积的相关危险因素及其与认知功能的关系。方法:收集2020年1月至2022年12月于我院就诊的184例WMH患者,根据Fazekas量表分为轻度和重度WMH组,比较两组间人口学特征、血脂和甲功等水平的差异,利用ITK-SNAP软件计算WMH体积,多因素回归分析影响WMH体积的危险因素。比较有无认知障碍组间WMH体积的差异,评估WMH体积对认知障碍的诊断能力。结果:轻度WMH组142例,重度WMH组42例。Fazekas评分与WMH体积有较高相关性(r=0.829,P<0.001)。重度WMH组患者年龄更大,高血压和糖尿病患病率更高,血清FT3水平更低。合并高血压、糖尿病的患者WMH体积更大,年龄与WMH体积呈正相关(r=0.379,P<0.001),而血清FT3水平与WMH体积的关联性一般。校正混杂因素后,多元线性分析结果提示年龄和高血压与WMH体积独立相关。在184例受试者中,126例患者合并认知障碍,58例认知正常,认知障碍组WMH体积显著高于认知正常组,WMH预测认知障碍的曲线下面积(area under the curve,AUC)为0.685,WMH的最佳截断值为3975.77 mm3,敏感度为65.10%,特异度为69.00%。结论:年龄、高血压是WMH体积的独立危险因素,此外,糖尿病和低FT3水平也与WMH严重程度相关。WMH与认知功能密切相关,WMH体积越大,认知功能越差,WMH体积有助于早期识别认知障碍人群。
结构磁共振成像(s MRI)本质上具有三维张量结构,而传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能。为了克服数据向量化的弊端,提出了一种基于支持张量机(Support tensor machine,STM)的以3D T1加权MR脑白质图像为输入的阿尔兹海默症诊断算法。首先用SPM8软件将采集的MRI数据进行预处理,分割为灰质、白质、脑脊液3部分,提取脑白质各体素的灰度值构建三阶灰度张量,然后用递归特征消除(Recursive Feature Elimination,RFE)法结合支持张量机进行特征选择,最后用支持张量机进行分类。在阿尔兹海默症患者(AD),轻度认知障碍患者(MCI)(包括转化为AD的MCI-C和未转化的MCI-NC)以及正常对照(NC)4组人群中进行实验测试,并用10折交叉验证方法获得验证结果。用ROC曲线下面积AUC、分类准确率、敏感性、特异性这4个指标评价分类器的性能,AD vs NC组分别达到99.1%、97.14%、95.71%、98.57%;AD vs MCI组分别达到88.29%、84.07%、78.57%、91.07%;MCI vs NC组分别达到89.18%、87.91%、93.75%、78.57%;MCI-C vs MCI-NC组分别达到87.5%、82.08%、80.36%、82.14%。算法保持了原始图像的张量结构,提高了分类器的性能,实验结果表明此算法是一种有效的阿尔兹海默症诊断方法。
暂无评论