Método de clasificación jerárquico basado en la fusión de descriptores de mapas gaussianos para el diagnóstico de Alzheimer utilizando T1

Scientific Reports volumen 13, número de artículo: 13734 (2023) Citar este artículo

164 Accesos

7 altmétrico

Detalles de métricas

La enfermedad de Alzheimer (EA) se considera una de las enfermedades de mayor incidencia en las personas mayores. En 2015, la EA fue la sexta causa de muerte en Estados Unidos. Básicamente, las imágenes no invasivas se emplean ampliamente para proporcionar biomarcadores que respalden la detección, el diagnóstico y la progresión de la EA. En este estudio, se propone que las características basadas en descriptores gaussianos sean nuevos biomarcadores eficientes que utilizan imágenes ponderadas en T1 de imágenes por resonancia magnética (MRI) para diferenciar entre la enfermedad de Alzheimer (EA), el deterioro cognitivo leve (DCL) y los controles normales (NC). Se extraen varias características basadas en mapas gaussianos, como el operador de forma gaussiano, la curvatura gaussiana y la curvatura media. Luego, las características antes mencionadas se introducen en Support Vector Machine (SVM). Primero, se calcularon por separado para el hipocampo y la amígdala. Seguido de la fusión de las características. Además, también se empleó la fusión de las regiones antes de la extracción de características. En este estudio se nombra el conjunto de datos de la Iniciativa de Neuroimagen de la enfermedad de Alzheimer (ADNI), formado por 45, 55 y 65 casos de EA, MCI y NC, respectivamente. La función del operador de forma superó a las otras funciones, con una precisión del 74,6% y del 98,9% en el caso de clasificación normal versus anormal y AD versus MCI, respectivamente.

Una de las enfermedades neurodegenerativas crónicas progresivas es la EA. La enfermedad de Alzheimer es la sexta causa de mortalidad en los EE. UU. en 20151. En general, las personas que viven con EA son casi 44 millones. Más aún, en las próximas dos décadas, el número estimado de personas afectadas se duplicará2. De modo que en 2050, una de cada 85 personas tendrá AD2. Se considera una enfermedad demencia que se vincula con algunas alteraciones del comportamiento y pérdida de memoria debido a la muerte de las células cerebrales3. Las manifestaciones del ataque temprano de Alzheimer comienzan entre los treinta y los sesenta años. Las primeras manifestaciones varían de un paciente a otro. Los problemas de memoria suelen ser uno de los primeros signos de deterioro cognitivo. A medida que avanza la enfermedad, a las personas se les puede diagnosticar un deterioro cognitivo leve (DCL), ya que experimentan una mayor pérdida de memoria, así como otras dificultades cognitivas. En esta etapa, los pacientes pueden realizar sus agitaciones habituales pero con mínima adecuación. El deterioro cognitivo leve se considera la etapa más larga, ya que puede durar entre 20 y 30 años. La EA progresa en diversas etapas: preclínica, leve (a veces denominada etapa temprana), moderada y grave (a veces denominada etapa tardía). La etapa tardía de la enfermedad, donde los pacientes pueden permanecer durante 5 años, generalmente termina con la muerte del paciente4.

Dado que es previsible que los promedios de DA aumenten drásticamente en los próximos años. Sin embargo, su diagnóstico y tratamiento tempranos actúan como una confrontación esencial en la ciencia moderna. Además, los avances en neuroimagen y los intentos de encontrar nuevos biomarcadores están cambiando nuestra comprensión de la EA. La resonancia magnética estructurada (MRI) tiene una gran variedad de contraste de tejidos blandos que pueden describir la anatomía en detalle; una nueva definición basada en biomarcadores que utiliza MRI puede medir la neurodegeneración4,5. Las primeras investigaciones en el análisis de imágenes de resonancia magnética para pacientes con EA se centran en estimar la atrofia del cerebro/región (o volúmenes del cerebro/región)6,7,8, cuantificando las alteraciones de la señal de resonancia magnética debido a los cambios en las características del tejido, como las hiperintensidades de la materia blanca de Imágenes potenciadas en T29. Damulina et al.10 calcularon la carga de WMH en diferentes regiones del cerebro, comparando sujetos de control normales con pacientes con EA, confirmaron una carga elevada de WMH en pacientes con EA, especialmente en las regiones del cerebro periventricular, sustancia blanca parietal y cerebro frontal subcortical. Otros enfatizan la atrofia del hipocampo y de las estructuras temporales mediales cercanas, analizando los cambios volumétricos regionales en pacientes con EA en comparación con sujetos de control normales6,7,8,11.

A partir de las lecturas de los autores, trabajos anteriores establecieron enfoques para clasificar automáticamente las diferentes etapas de la EA, que se pueden clasificar en categorías triples: enfoques basados ​​en vóxeles, enfoques basados ​​en vértices y enfoques que utilizan regiones de interés (ROI). En los enfoques que utilizan vóxeles, las características representan los mapas de probabilidad del tipo de tejido en cada vóxel. El mapa de probabilidad suele calcularse a través del histograma de estimación de intensidades de cada vóxel9,12,13,14,15. En el caso de los enfoques basados ​​en vértices, las características generalmente se extraen de la superficie cortical cerebral, como el grosor de la corteza cerebral en cada vértice de la corteza. La superficie interna y externa de la corteza se extrae y se representa como el mismo número de vértices, de donde se extraen medidas adicionales como el grosor cortical (definido como la distancia euclidiana entre estos vértices vinculados)16,17,18. Cuando se realiza la exploración en función del volumen, se denomina enfoque basado en ROI15,19. Otra forma de ROI es explorando la forma de las regiones más afectadas debido a la progresión de la enfermedad16,20. Un estudio reciente reunió un análisis complejo basado en volumetría y un análisis basado en vértices para investigar el patrón de cambios estructurales subregionales en las estructuras de la materia gris y lo correlacionó con las puntuaciones clínicas de EA y DCL, en comparación con los controles normales. Sus resultados mostraron una atrofia significativa en los hipocampos bilaterales y el núcleo accumbens de los pacientes con EA en comparación con los controles normales8.

El hipocampo y la amígdala se consideran la parte más afectada en términos de forma por la regresión del Alzheimer)6,13,20. Sumando el importante papel del hipocampo asociado a la memoria a largo plazo, que incluye toda la conciencia y las experiencias pasadas21,22,23. Mientras que la amígdala juega una función fundamental en el procesamiento emocional como: la memoria asociada a las emociones y las respuestas adaptativas a los estímulos emocionales24. Por lo tanto, encontrar nuevos biomarcadores está cambiando nuestra comprensión de la EA, especialmente al alejarnos de estas regiones asociadas con el deterioro cognitivo de los pacientes, lo que podría confirmar que son regiones objetivo potenciales del tratamiento en la EA. De lo contrario, el desafío actual para la neuroimagen moderna es ayudar a diagnosticar a los pacientes con EA y DCL en etapas tempranas. Esto reflejará el estadio de la enfermedad, así como la progresión predictiva del nivel cognitivo leve.

Este artículo emplea características basadas en el mapa gaussiano, extraídas del ROI para distinguir entre controles normales, deterioro cognitivo leve y pacientes con EA. Las características del mapa gaussiano se extrajeron para el hipocampo y la amígdala por separado una y otra vez después de contaminar las dos regiones para estudiar los cambios generales en la forma en lugar de estudiar esto para cada región por separado. Para una mayor evaluación y comprensión, se realizaron dos niveles de fusión; Nivel de fusión de características que se realizó calculando de forma independiente cada característica extraída de ROI y luego fusionando ambas para una clasificación adicional. Nivel de fusión de ROI, mientras que también se empleó la fusión de las regiones antes de la extracción de características. El proceso de clasificación sigue criterios jerárquicos donde, en una primera fase, el objetivo es discriminar los NC de los sujetos anormales; denominados AD y MCI. El segundo paso es diferenciar los sujetos con EA y DCL. Luego, las características extraídas basadas en Gauss se entregaron al clasificador SVM. Finalmente, se evaluará el rendimiento de las características extraídas propuestas calculando la sensibilidad, especificidad, precisión y análisis ROC25.

Nuestro estudio incluye ciento sesenta y cinco sujetos (165), las Tablas 1 y 2 enumeran el rango de edad de los sujetos empleados en el estudio, así como los criterios de diagnóstico inclusivos, como la puntuación del miniexamen del estado mental (MMSE), la calificación clínica de demencia ( CDR). El conjunto de datos se adquirió utilizando el protocolo de adquisición ADNI, los volúmenes seleccionados de alta resolución se adquirieron en el plano transversal mediante un escáner de resonancia magnética de 3 Tesla y una secuencia 3D ponderada MPRAGE T1. La Tabla 3 muestra todos los parámetros de escaneo. Una descripción completa de ADNI está disponible en http://adni.loni.usc.edu/. La edad de los normales y pacientes inscritos oscilaba entre cincuenta y seis y ochenta años (inclusive), y que al menos completaron seis grados de educación (o tenían un buen historial laboral suficiente para excluir el retraso mental), como se muestra en la Tabla 1. Todos los sujetos se someterán a evaluaciones clínicas/cognitivas y a una resonancia magnética estructural en intervalos específicos durante dos o tres años. Aproximadamente al 50% de los sujetos también se les realizarán exploraciones por TEP en los mismos intervalos de tiempo y al 25% de los sujetos (que no han sido explorados mediante PET) se les realizará una resonancia magnética a 3 T.

De acuerdo con el protocolo del manual ADNI, se desarrollaron los criterios generales de inclusión/exclusión para identificar a las personas con la forma amnésica de deterioro cognitivo leve. Se utilizaron puntuaciones de corte ajustadas por educación en la memoria lógica para garantizar que existiera un verdadero déficit de memoria y que el déficit de memoria fuera lo suficientemente grave como para garantizar una tasa de conversión adecuada a EA en la población tratada con placebo. Se estableció un comité de adjudicación para revisar los datos cuando un sitio creía que un sujeto había pasado de DCL a AD. Los criterios generales de inclusión/exclusión para todos los reclutadores son los siguientes:

Todos los sujetos deben estar dispuestos y ser capaces de someterse a todos los procedimientos de prueba, incluida la neuroimagen, y aceptar un seguimiento longitudinal. Se excluirán medicamentos psicoactivos específicos. También se aplicará la exclusión de los pacientes si tienen alguna enfermedad neurológica importante distinta de la sospecha de enfermedad de Alzheimer incipiente, como la enfermedad de Parkinson, la esclerosis múltiple, etc. o antecedentes de traumatismo craneoencefálico importante o anomalías cerebrales estructurales conocidas. Cualquier enfermedad sistémica significativa o condición médica inestable que pueda dificultar el cumplimiento del protocolo.

Se evaluará rápidamente la calidad de todas las exploraciones por resonancia magnética y PET para que los sujetos puedan volver a escanearse si es necesario. Todos los datos clínicos serán recopilados, monitoreados y almacenados por el Centro Coordinador de UCSD. U Penn recolectará muestras de biomarcadores. Todos los datos de imágenes sin procesar y procesados ​​se archivarán en LONI. Más detalles sobre los criterios de inclusión/exclusión se pueden encontrar en el siguiente enlace: https://adni.loni.usc.edu/wp-content/themes/freshnews-dev-v2/documents/clinical/ADNI-1_Protocol.pdf

FMRIB Software Library (FSL)26, creada en la Universidad de Oxford, es una biblioteca de software para análisis de imágenes y herramientas estadísticas para datos de imágenes cerebrales de resonancia magnética funcional, estructural y de difusión. En este documento, para extraer el hipocampo y la amígdala, se aplicó FSL mediante los siguientes pasos:

Extracción de tejido cerebral: el objetivo de este paso es extraer el cerebro del cráneo utilizando Brain Extraction Tool (BET) del software FSL. A partir de una imagen de toda la cabeza, BET elimina tejido no cerebral. También se pueden estimar las superficies interna y externa del cráneo a partir de buenas imágenes en T1 y T2.

Registro en Atlas: este paso se considera un paso crucial para la correcta segmentación de los ROI, para superar las diferencias de tamaño y posición del cerebro.

Segmentación del hipocampo y amígdala.

Fusión de la región del hipocampo y la amígdala: este paso se realiza utilizando la herramienta de visualización FSL, basada en la estructura subcortical de Harvard Oxford, como se muestra en la Fig. 1. La fusión de la región se calcula usando el comando Fslmath para sumar el hipocampo extraído a la amígdala extraída de modo que eso para formar un ROI, luego se trata como una nueva región que se denominará ROI de Hipona-Amígdala y luego se analizará.

Posición del hipocampo y la amígdala.

En el espacio euclidiano R3, el mapa de Gauss representa una superficie en una esfera unitaria S2 conservando su forma. En consecuencia, al muestrear uniformemente puntos o vértices en la superficie, la orientación vectorial normal de los puntos cambia después de la rotación. La Figura 2 muestra la traslación del vector normal n del punto p, desde la superficie original a la esfera unitaria, donde su origen coexiste con el origen de la coordenada. El mapeo gaussiano es el nombre del proceso, y la esfera se conoce como esfera gaussiana27,28.

Definición del mapa de Gauss.

La variación del vector normal n, en cualquier punto p, se mide utilizando la derivada del mapa de Gauss en el mismo punto p. Con base en el mapa de Gauss, en este estudio se emplearon tres conjuntos de características principales, denominados operador de forma gaussiano, curvatura gaussiana y curvatura media. Para medir cómo se dobla la superficie, se construye el operador de forma gaussiano. Se trata de disipar la forma erigiendo una matriz normal y tangente en cada punto de la superficie de la curva29. Los valores propios del operador de forma representan la flexión máxima y mínima de la superficie en el punto p, bien conocida por las curvaturas principales \({\upkappa }_{1}\) y \({\upkappa }_{2} \), medida. El producto escalar de este principio de curvatura, \(K = {\upkappa }_{{1}} \cdot {\upkappa }_{{2}} ,\) se define como la curvatura gaussiana. El signo de la curvatura gaussiana se puede utilizar para caracterizar la superficie dependiendo del signo de la curvatura principal. Como se muestra en la Fig. 3, si las curvaturas principales tienen el mismo signo (\({\upkappa }_{{1}} \cdot {\upkappa }_{{2}}\) > 0), entonces, la curvatura gaussiana la curvatura es positiva y la superficie correspondiente es elíptica. Si cualquiera de las curvaturas principales es cero (\({\upkappa }_{{1}} \cdot {\upkappa }_{{2}}\) = 0), entonces, la curvatura gaussiana es cero y la superficie esperada debería seguir una parabólica. Si las curvaturas principales tienen signos diferentes, el producto escalar es negativo (\({\upkappa }_{{1}} \cdot {\upkappa }_{{2}}\) < 0). Entonces, la curvatura gaussiana es negativa y representa una superficie hiperbólica o de punto de silla. Por lo tanto, la curvatura gaussiana puede ayudar a rastrear el intercambio de curvatura del hipocampo y la amígdala de un punto a otro en la superficie.

De derecha a izquierda: la curvatura gaussiana negativa se muestra como una superficie hiperboloide, una superficie de curvatura gaussiana cero es un cilindro y una superficie de curvatura gaussiana positiva es una esfera.

La curvatura media es el promedio de la curvatura con signo, como se muestra en la siguiente ecuación:

A partir de los antecedentes matemáticos anteriores indicados, se muestra que las características del mapa gaussiano se extrajeron tanto para el hipocampo como para la amígdala. Esto es para comprender los cambios generales en la forma de cada uno en lugar de estudiar solo el volumen de cada uno. Los descriptores son características armónicas esféricas ampliamente utilizadas para describir y detectar objetos en imágenes volumétricas de una manera invariante rotacional. No solo incluye la señal de un solo vóxel sino que también incluye los vóxeles vecinos que describen el patrón de distribución de las fibras en los diferentes cerebros. regiones para normales, MCI y AD. Este análisis de la forma del hipocampo y la amígdala puede ser más informativo que los cambios globales de volumen del hipocampo y la amígdala. El análisis de la forma puede proporcionar información importante sobre la distribución espacial de la atrofia o expansión de una estructura que presenta anomalías de volumen y, en función de las subestructuras involucradas y su función funcional, puede ayudar a comprender los resultados funcionales de dichas anomalías de volumen.

Makkinejad et al. examinaron las anomalías de la forma de la amígdala asociadas con la patología TDP-43 en el envejecimiento31. La patología de la proteína de unión al ADN 43 (TDP-43) de respuesta transactiva es común en la vejez y está fuertemente asociada con el deterioro cognitivo y la demencia. La patología TDP-43 se ha informado en hasta el 55% de las personas con patología de la enfermedad de Alzheimer (EA), se ha demostrado que la patología TDP-43 en el envejecimiento representa casi tanta variación del deterioro cognitivo en la vejez como los ovillos neurofibrilares ( patología distintiva de la EA)31. En personas con EA, la patología TDP-43 se deposita primero en la amígdala, seguida del hipocampo y otras regiones31. Makkinejad et al. El análisis de la forma reveló un patrón único de deformación de la amígdala asociado con la patología TDP-43, y agregó que la información de la resonancia magnética ex vivo puede proporcionar información similar sobre la forma de la amígdala a la que se origina en la resonancia magnética in vivo31.

Dado que la patología del hipocampo se considera un hito central en la EA, también se ha utilizado como biomarcador de diagnóstico en la clínica. El hipocampo se compone de cuatro subregiones que son CA1, CA2, CA3 y CA432. Otros estudios afirmaron que el aumento de la carga patológica de P-Tau y P-Syn y las alteraciones de la microglía asociadas están implicadas en un deterioro más grave de CA1 en la EA. Una subregión que se afecta durante el Alzheimer33,34.

Mientras que estudios anteriores de resonancia magnética volumétrica investigaron la patología midiendo la pérdida total de volumen del hipocampo, estudios recientes intentan identificar la patología regional dentro de la estructura analizando la deformación de la forma de una subregión particular, un método utilizado en varios estudios de AD35. Cada uno de los descriptores describe ciertas características como la curvatura local de la distribución de fibras suavizadas que influyó durante las diferentes etapas de la enfermedad como se mencionó anteriormente en la literatura 15,36. La ventaja de este enfoque es que modela los datos localmente. Por lo tanto, puede tratar datos en los que áreas significativamente grandes difieren del prototipo.

La reducción de la dimensionalidad es un paso importante que ayuda a evitar un caso de ajuste excesivo, ya que la cantidad de características se considera enorme en relación con el tamaño de los volúmenes de datos utilizados en este estudio. Además, el tamaño de las entidades se basa principalmente en la cantidad de vértices que representan el volumen extraído, que varía de un volumen a otro. La reducción de dimensionalidad se designa basándose en un conocido enfoque de selección de características denominado Fisher Score37,38. La Información de Fisher mide la cantidad de información que una variable aleatoria observable X lleva sobre un parámetro desconocido θ de una distribución que modela X39. Como clasificador, Support Vector Machine (SVM) se emplea como un algoritmo de aprendizaje supervisado que analiza los datos utilizados para la clasificación. Su objetivo es separar diferentes clases aprendiendo una función que se induce a partir de ejemplos disponibles. Las SVM pueden realizar clasificaciones lineales y no lineales. En este estudio, se utilizó un kernel basado en SVM-Función de base radial (RBF) que utiliza LIBSVM, un paquete desarrollado por el departamento de informática de la Universidad Nacional de Taiwán40. Para evaluar el rendimiento del sistema, se emplea la curva de característica operativa del receptor (ROC), ya que funciona bien para evaluar la potencia diagnóstica de las pruebas para distinguir el verdadero estado de los sujetos y comparar dos tareas de diagnóstico en espera cuando cada tarea se realiza sobre el mismo sujeto27 .

Según el conocimiento médico de la literatura9,15,34,35,36,41,42,43,44,45, se han descrito diferencias en las tasas de atrofia en las estructuras del lóbulo temporal medial entre pacientes con deterioro cognitivo leve y controles. Además, se han encontrado mayores tasas de deterioro del hipocampo en pacientes con EA familiar antes de que se presenten los síntomas clínicos, y además se produce una declinación más generalizada en otras áreas corticales9,36,40. Este patrón de atrofia prevalente se considera teóricamente evidente en pacientes con DCL que luego progresa a AD40. Además, esta contracción fue considerada como un biomarcador en estudios previos como la detección de Alzheimer y depresión9,41. Por lo tanto, este artículo consideró investigar el volumen de contracción del hipocampo durante el Alzheimer y su disminución con el deterioro de la enfermedad experimentando primero la atrofia del hipocampo antes de usar los descriptores del mapa gaussiano para diferenciar entre normal, EA y MCI. Los resultados de este experimento se presentarán en la sección siguiente. Dado que el cálculo y la segmentación de la volumetría del hipocampo es un gran problema y se introdujeron muchas herramientas para calcularlo, como freesurfer y VolBrain de código abierto. Este artículo utilizó la última herramienta (una herramienta de código abierto)42, desarrollada para imágenes de resonancia magnética potenciadas en T1 del hipocampo, para segmentar y calcular el volumen de diferentes regiones del cerebro.

Por lo tanto, el otro método empleado se basa en las características basadas en el mapa gaussiano, extraídas del ROI para distinguir entre los controles normales, los pacientes con deterioro cognitivo leve y pacientes con EA. Las características del mapa gaussiano se extrajeron para el hipocampo y la amígdala por separado una y otra vez después de contaminar las dos regiones para estudiar los cambios generales en la forma en lugar de estudiar esto para cada región por separado. Para una mayor evaluación y comprensión, se realizaron dos niveles de fusión; Nivel de fusión de características que se realizó calculando de forma independiente cada característica extraída de ROI y luego fusionando ambas para una clasificación adicional. Nivel de fusión de ROI, mientras que también se empleó la fusión de las regiones antes de la extracción de características. El proceso de clasificación sigue criterios jerárquicos donde, en una primera fase, el objetivo es discriminar los NC de los sujetos anormales; denominados AD y MCI. El segundo paso es diferenciar los sujetos con EA y DCL. Luego, las características extraídas basadas en Gauss se entregaron al clasificador SVM. Finalmente, se evaluará el rendimiento de las características extraídas propuestas calculando la sensibilidad, especificidad, precisión y análisis ROC.

La Tabla 4 muestra los resultados de nuestro primer experimento que investiga la atrofia de la amígdala del hipocampo para diferenciar entre normal, EA y DCL. Se utilizó la herramienta VolBrain de código abierto para segmentar y calcular el volumen de diferentes regiones del cerebro. La clasificación entre normal, deterioro cognitivo leve y EA se basa en la atrofia del hipocampo y la amígdala.

De la Tabla 4 podemos concluir que, aunque los resultados fueron aceptables, todavía se pueden lograr mejores resultados calculando las características del descriptor del mapa gaussiano, ya que depende no solo del tamaño del volumen sino también de la forma de la región del cerebro. Este resultado concuerda con lo presentado por Ahmed et al.15 en su investigación. Categorizaron automáticamente a las personas con EA y/o deterioro cognitivo leve a partir de resonancias magnéticas anatómicas utilizando varios métodos. Dependiendo de las características de la resonancia magnética que se extraigan, estos métodos se pueden dividir en tres categorías: análisis basado en vóxeles, basado en vértices o basado en ROI39. Además, según los resultados de su encuesta, el análisis basado en el ROI sugiere que la forma más que el volumen es más significativa en el hipocampo.

Aunque Henneman et al.44 afirmaron que existen diferencias en las tasas de atrofia (atrofia) en las estructuras del lóbulo temporal medial entre pacientes con deterioro cognitivo leve y controles. Incluso antes de que aparezcan los síntomas clínicos, las personas con EA familiar tenían tasas más altas de contracción del hipocampo. En los pacientes con EA se produce una atrofia más extensa en otras regiones corticales. Los pacientes con deterioro cognitivo leve que posteriormente avanzan a EA ya muestran este patrón de atrofia extensa. Demostramos que, contrariamente a lo que se ha informado anteriormente, la contracción (tasa) del hipocampo no distingue a los pacientes con EA de los pacientes con deterioro cognitivo leve. Esto confirma investigaciones anteriores que muestran que la tasa de contracción del hipocampo que se asemeja a la EA ya está presente durante la etapa de transición (DCL). Después de este punto, las tasas de atrofia cerebral total, que continúan aumentando a medida que aumenta la gravedad de la enfermedad, se convierten en un indicador más preciso de la progresión de la enfermedad que las evaluaciones del volumen del hipocampo.

Con más detalle, el hipocampo se compone de cuatro subregiones que son CA1, CA2, CA3 y CA49, como se muestra en la Fig. 4. La subregión que se vio afectada durante el Alzheimer es CA1. La forma de la curva CA1 se ha encogido, por lo que los cambios en su curvatura con respecto a la forma serán un gran indicador de la detección de Alzheimer. La curvatura media es el promedio de la curvatura con signo. Como se ilustra, calcular el promedio no será suficiente ya que el cambio se produjo en la misma dirección y en un área pequeña en comparación con el hipocampo en general41.

El hipocampo se compone de cuatro subregiones que son CA1, CA2, CA3 y CA4, y la erosión del hipocampo se produjo debido a la enfermedad de Alzheimer (b) en comparación con los sujetos normales (a).

Según Mueller et al.45, el envejecimiento normal y la EA, incluso en sus fases iniciales, están relacionados con un patrón distintivo de atrofia del hipocampo, es decir, envejecimiento con pérdida de volumen en CA1 y deterioro cognitivo leve con pérdida de volumen en la transición CA1-2. La pérdida de volumen en la transición CA1-2 superó el volumen total del hipocampo en términos de separar a los sujetos con deterioro cognitivo leve de los controles. A la luz de esto, llegan a la conclusión de que las medidas de subcampo pueden ser un método más preciso para identificar el deterioro cognitivo leve y la EA en etapa temprana que las mediciones de todo el hipocampo.

De la discusión anterior se desprende que la atrofia (tasa) del hipocampo no fue suficiente para diferenciar a los pacientes con EA de los pacientes con deterioro cognitivo leve, como también han informado otros. Para discriminar entre casos de EA, MCI y normal, aplicamos principalmente características de descriptores de mapas gaussianos, como el operador de forma, la curvatura gaussiana y la curvatura media en tres ROI (fusión basada en la región de hipocampo, amígdala y hipo-amígdala) por separado, Región- También se calculó la fusión basada en características. A continuación, estas características se enviaron al clasificador SVM. La tarea de Clasificación se implementó a través de un marco jerárquico. El primer paso es discriminar entre casos normales y anormales, lo que incluye tanto sujetos con EA como con deterioro cognitivo leve. El segundo paso es clasificar los casos anormales en EA y DCL. La Tabla 5 muestra la precisión del clasificador debido a las características del mapa gaussiano para la fusión de regiones, que muestra que el operador de forma da un resultado del 74,6% para distinguir entre casos normales y anormales con un valor p significativo igual a 0,05, mientras que la curvatura gaussiana y la curvatura media dan 72,2% y 73,9% respectivamente. Todas las características de los descriptores del mapa gaussiano (operador de forma, curvatura gaussiana y curvatura media) proporcionan aproximadamente el 98,9 %, 98,5 % y 98,2 % de distinción entre AD y MCI con un valor p significativo igual a 0,1, 0,3 y 0,1 respectivamente. Los buenos resultados significativos hacen que el sistema propuesto sea más estable y robusto. Si bien se utilizan las características de la región del hipocampo solo para la clasificación normal/anormal, se obtienen alrededor del 73,2 %, 69,5 % y 61 % respectivamente para el operador de forma, la curvatura gaussiana y la curvatura media, Tabla 6.

La fusión de las regiones (hipocampo, amígdala) y el aumento del ROI hacen que el sistema sea capaz de medir mejor los cambios de curvatura y, en consecuencia, los resultados mejoraron. La Tabla 5 muestra la precisión del clasificador para las características del Mapa de Gauss para la fusión de características, lo que muestra que el operador de forma da un resultado del 73,4% para distinguir entre casos normales y anormales con un valor p igual a 0,14 de significancia, mientras que la característica de curvatura gaussiana proporciona aproximadamente el 96,2% de distinción entre EA y DCL con un valor p igual a 0,2 de significancia.

Todo el volumen del hipocampo se reduce a medida que avanza la enfermedad, lo que constituye un fuerte indicio de EA. La segmentación de la estructura subcortical utilizando VolBrain produce resultados diferentes para cerebros normales, con deterioro cognitivo leve y con EA. Se muestra que la precisión de las características del mapa de Gauss (forma) para el área de la amígdala es menor que la determinada en función del cálculo del volumen al calcular la precisión del clasificador. Un ejemplo diferente es la región del hipocampo, donde las características basadas en mapas de Gauss funcionan mejor que aquellas basadas en cálculos de volumen, lo cual tiene sentido dado que la forma proporciona más información que el volumen. Además, independientemente de la etapa de la enfermedad, existe variabilidad intraclase, lo que significa que el volumen cerebral de cada paciente varía.

Ya que, en los términos tardíos de la EA, se produjo un desgaste máximo en la forma y la curvatura del hipocampo. Puede utilizarse para describir la progresión de la enfermedad6,9,16,20,34. La forma de la curva del hipocampo y la amígdala se ha encogido, por lo que los cambios en su curvatura de un punto a otro en su superficie de contorno con respecto a la forma serán un gran indicador de la detección de Alzheimer. Sin embargo, una solución clave podría caracterizar este cambio extrayendo nuevas funciones.

Para estudiar la robustez del sistema, se calculan las curvas ROC para cada clasificador bajo investigación, así como el área bajo las curvas. La región de la Amígdala es muy pequeña y luego de su segmentación quedó borrosa y tiene poca información por lo que su desempeño fue muy malo ya que sus precisiones varían entre 48 y 52% para las tres características.

Con base en la Fig. 5a, se observa que en el caso de clasificación normal y anormal para el ROI de Hipona-Amígdala, la curvatura media y la curvatura gaussiana tienen una capacidad de rendimiento aproximadamente igual, con un AUC de 0,773 y 0,754 respectivamente. En el caso del clasificador AD versus MCI, según la figura 5b, el operador de forma, la curvatura media y la curvatura gaussiana tienen aproximadamente la misma estabilidad de rendimiento, ya que el AUC equivale aproximadamente a 0,98, 0,975 y 0,97 respectivamente. La Figura 6a muestra que en el caso de clasificación normal y anormal mediante fusión de características, la curvatura media, la curvatura gaussiana y el operador de forma tienen aproximadamente la misma estabilidad de rendimiento, con un AUC de 0,786, 0,783 y 0,781 respectivamente. Mientras que, en el caso del clasificador AD versus MCI, la curvatura gaussiana funcionó mejor que las otras características de descriptores de mapas gaussianos, ya que el AUC fue igual a aproximadamente 0,98, 0,83 y 0,76 para la curvatura gaussiana, el operador de forma gaussiana y la curvatura media respectivamente, como se muestra en la figura 6b.

Los descriptores del mapa gaussiano presentan la curva ROC para la fusión de la región hipo-amígdala para: (a) normal frente a anormal, (b) EA frente a deterioro cognitivo leve.

Los descriptores del mapa gaussiano presentan la curva ROC para la fusión de características de la amígdala del hipocampo para: (a) normal frente a anormal, (b) EA frente a deterioro cognitivo leve.

En este manuscrito, las características extraídas que representan descriptores basados ​​en Gauss fueron designadas para diferenciar a los sujetos normales, de AD y MCI basándose en la disección de la forma del hipocampo y la amígdala. Se utilizó FSL para la extracción, registro y segmentación del cerebro del hipocampo y la amígdala, luego se realizó la fusión entre estas dos regiones. Se extrajeron tres conjuntos de características diferentes: el operador de forma gaussiana, la curvatura gaussiana y las curvaturas medias. Estas características se calculan para cada uno de los hipocampos y amígdalas individualmente. Además, las características extraídas de cada región se fusionaron una vez y las características extraídas de Hipona-Amígdala basadas en la fusión de regiones se emplearon una vez más. Al clasificar la AD a partir del MCI, los resultados se consideran muy prometedores, ya que alcanzan una precisión del 98 % utilizando operadores de forma gaussiana de fusión de regiones, mientras que el rendimiento aún es sorprendente en el caso de la clasificación normal/anormal, alcanzando un 74,6 % y un 73,3 % utilizando el operador de forma gaussiana. Sistema basado en fusión de regiones y fusión de características respectivamente. Dado que las mayores tasas de deterioro del hipocampo pueden utilizarse para clasificar las distintas etapas de la progresión de la enfermedad y analizar la estructura de las regiones, se cree que el mapa de Gauss es una herramienta muy prometedora. El trabajo de investigación implementado aún debe incluir los siguientes puntos de investigación:

Sin duda, hacer crecer el conjunto de datos nos proporcionaría más espacio para investigar la solidez (limitación) del sistema.

Es necesario realizar más investigaciones sobre las cualidades propuestas combinadas en un sistema jerárquico o quizás de tres clases.

Podemos utilizar tanto las características basadas en forma como en textura en el estudio porque no analizamos las características basadas en textura en absoluto.

En conclusión, el sistema propuesto se considera prometedor. Sin embargo, es necesario investigar más a fondo la combinación de las características propuestas en un sistema jerárquico o incluso en un sistema de tres clases. Además, el volumen de estos ROI se puede agregar como una cuarta característica que se puede utilizar.

El conjunto de datos utilizado en este estudio se obtuvo de una base de datos de una organización externa "Iniciativa de Neuroimagen de la enfermedad de Alzheimer" (ADNI). Los datos están disponibles en la base de datos ADNI (adni.loni.usc.edu) tras el registro y el cumplimiento del acuerdo de uso de datos. Para obtener información actualizada, consulte www.adni-info.org. El algoritmo propuesto utiliza este repositorio de datos ADNI. Los datos que respaldan los hallazgos de este estudio están disponibles previa solicitud razonable de los autores. Todos los estudios de ADNI se llevan a cabo de acuerdo con las pautas de buenas prácticas clínicas, la Declaración de Helsinki y US 21 CFR Parte 50 (Protección de sujetos humanos) y Parte 56 (Juntas de revisión institucional). Se obtuvo el consentimiento informado por escrito de todos los participantes antes de realizar los procedimientos específicos del protocolo. El protocolo ADNI fue aprobado por los Comités de Revisión Institucional de todas las instituciones participantes. Este estudio fue aprobado por las Juntas de Revisión Institucional de todas las instituciones participantes, como la Oficina para la Protección de Sujetos de Investigación de la Universidad del Sur de California. Puede encontrar una lista completa de los investigadores y afiliaciones de ADNI en http://adni.loni.usc.edu/wp-content/uploads/how_to_apply/ADNI_Acknowledgement_List.pdf. Se obtuvo el consentimiento informado por escrito de todos los participantes en cada sitio. Los investigadores del ADNI contribuyeron al diseño y la implementación del ADNI y/o proporcionaron datos, pero no participaron en el análisis ni en la redacción de este informe. Se pueden encontrar más detalles en adni.loni.usc.edu.

Murphy, SL, Xu, J., Kochanek, KD, Curtin, SC & Arias, E. Defunciones: Datos finales de 2015. Natl. Estadísticas vitales. Reps. 66(6), 1. https://doi.org/10.1136/vr.h753 (2017).

Artículo PubMed Google Scholar

Asscociation, TA 2022 Datos y cifras sobre la enfermedad de Alzheimer. Demencia de Alzheimer. 18(4), 700–789. https://doi.org/10.1002/alz.12638 (2022).

Artículo de Google Scholar

Enfermedad de Alzheimer: causas, síntomas y tratamientos. (https://www.mayoclinic.org/diseases-conditions/alzheimers-disease/symptoms-causes/syc-20350447).

Johnson, KA, Fox, NC, Sperling, RA y Klunk, WE Imágenes cerebrales en la enfermedad de Alzheimer. Puerto de primavera fría. Perspectiva. Medicina. 2(4), 1–23. https://doi.org/10.1101/CshPerspect.,a006213 (2012).

Artículo de Google Scholar

Liu, Z. y col. Diagnóstico de la enfermedad de Alzheimer mediante una red neuronal convolucional multiescala basada en la atención. Conocimiento. Sistema basado. 238, 1. https://doi.org/10.1016/j.knosys.2021.107942 (2022).

Artículo de Google Scholar

Hazarika, RA, Maji, AK, Sur, SN, Paul, BS y Kandar, D. Una encuesta sobre algoritmos de clasificación de imágenes cerebrales en la enfermedad de Alzheimer basada en técnicas de extracción de características. Acceso IEEE 9, 58503–58536. https://doi.org/10.1109/ACCESS.2021.3072559 (2021).

Artículo de Google Scholar

Amoroso, N. et al. Diagnóstico de la enfermedad de Alzheimer basado en el algoritmo Hippocampal Unified Multi-Atlas Network (HUMAN). Biomédica. Ing. En línea 17(1), 1–16. https://doi.org/10.1186/s12938-018-0439-y (2018).

Artículo de Google Scholar

Nie, X. et al. Las alteraciones estructurales subregionales en el hipocampo y el núcleo accumbens se correlacionan con el deterioro clínico en pacientes con espectro clínico de la enfermedad de Alzheimer: combinación paralela de volumen y enfoque basado en vértices. Frente. Neurol. 8, 1. https://doi.org/10.3389/fneur.2017.00399 (2017).

Artículo de Google Scholar

Boutet, C. y col. Detección de pérdida de volumen en capas del hipocampo en la enfermedad de Alzheimer mediante resonancia magnética de 7 T: un estudio de viabilidad. Clínica NeuroImagen. 5, 341–348. https://doi.org/10.1016/j.ncl.2014.07.011 (2014).

Artículo PubMed Central Google Scholar

Damulina, A. et al. Hiperintensidades de la sustancia blanca en la enfermedad de Alzheimer: un estudio de mapeo de probabilidad de lesión. J. Enfermedad de Alzheimer. 68, 789–796. https://doi.org/10.3233/JAD-180982 (2019).

Artículo de Google Scholar

Fan, Y., Shen, D., Gur, RC, Gur, RE & Davatzikos, C. COMPARAR: clasificación de patrones morfológicos utilizando elementos regionales adaptativos. comp. Un J. Comp. Educativo. 26(1), 93-105 (2007).

Google Académico

Gerardín, E. et al. La clasificación multidimensional de las características de la forma del hipocampo discrimina la enfermedad de Alzheimer y el deterioro cognitivo leve del envejecimiento normal. Neuroimagen 47(4), 1476–1486. https://doi.org/10.1016/j.neuroimage.2009.05.036 (2009).

Artículo PubMed Google Scholar

Chupin, M. et al. Segmentación y clasificación totalmente automática del hipocampo en la enfermedad de Alzheimer y deterioro cognitivo leve aplicadas a datos del ADNI. Hipocampo 19(6), 579–587. https://doi.org/10.1002/hipo.20626 (2009).

Artículo PubMed PubMed Central Google Scholar

Chupin, M. et al. Segmentación automática del hipocampo y la amígdala impulsada por restricciones híbridas: método y validación. Neuroimagen 46(3), 749–761. https://doi.org/10.1016/j.neuroimage.2009.02.013 (2009).

Artículo MathSciNet CAS PubMed Google Scholar

Ben Ahmed, O. y otros. Diagnóstico de la enfermedad de Alzheimer en imágenes de resonancia magnética estructural utilizando descriptores de funciones armónicas circulares en el hipocampo y la corteza cingulada posterior. Computadora. Medicina. Imágenes Gráfico 44, 13-25. https://doi.org/10.1016/j.compmedimag.2015.04.007 (2015).

Artículo PubMed Google Scholar

Rathore, S., Habes, M., Iftikhar, MA, Shacklett, A. y Davatzikos, C. Una revisión sobre estudios de clasificación basados ​​en neuroimagen y métodos de extracción de características asociados para la enfermedad de Alzheimer y sus etapas prodrómicas. Neuroimagen 155, 530–548. https://doi.org/10.1016/j.neuroimage.2017.03.057 (2017).

Artículo PubMed Google Scholar

Lotterie, J. Diagnóstico precoz de la enfermedad de Alzheimer mediante el espesor cortical: impacto de la reserva cognitiva. Cerebro https://doi.org/10.1093/brain/awp105 (2009).

Artículo PubMed PubMed Central Google Scholar

Rathore, S. & Habes, M. Una revisión sobre estudios de clasificación basados ​​en neuroimagen y métodos de extracción de características asociados para la enfermedad de Alzheimer y sus etapas prodrómicas. Neuroimagen https://doi.org/10.1016/j.neuroimage.2017.03.057 (2017).

Artículo PubMed Google Scholar

Magnin, B. y col. Apoye la clasificación de la enfermedad de Alzheimer basada en máquinas vectoriales a partir de resonancia magnética anatómica de todo el cerebro. Neurorradiología 51(2), 73–83. https://doi.org/10.1007/s00234-008-0463-x (2009).

Artículo PubMed Google Scholar

Mousa, D., Zayed, N. & Yassine, IA Identificación de las etapas de la enfermedad de Alzheimer basada en el sistema de función de transferencia de correlación utilizando imágenes de resonancia magnética funcional en estado de reposo. MÁS UNO 17, 1–17. https://doi.org/10.1371/journal.pone.0264710 (2022).

Artículo CAS Google Scholar

Hartley, T., Bird, CM, Chan, D., Cipolotti, L., Husain, M. y Burgess, N. Europe PMC Funders Group El hipocampo es necesario para la memoria topográfica a corto plazo en los seres humanos. 17(1), 34–48. https://doi.org/10.1002/hipo.20240 (2009).

Bird, CM & Burgess, N. El hipocampo y la memoria: conocimientos del procesamiento espacial. Nat. Rev. Neurociencias. 9(3), 182-194. https://doi.org/10.1038/nrn2335 (2008).

Artículo CAS PubMed Google Scholar

Aranzi, JC y German, T. Mapa cognitivo del hipocampo. Hipocampo 1, 1587 (2022).

Google Académico

Baxter, MG & Croxson, PL Afrontando el papel de la amígdala en el procesamiento de la información emocional. Proc. Nacional. Acad. Ciencia. Estados Unidos 109(52), 21180–21181. https://doi.org/10.1073/pnas.1219167110 (2012).

Artículo ADS PubMed PubMed Central Google Scholar

Hajian-Tilaki, K. Análisis de la curva de características operativas del receptor (ROC) para la evaluación de pruebas de diagnóstico médico. Caspio. J. Pasante. Medicina. 4(2), 627–635. https://doi.org/10.1017/CBO9781107415324.004 (2013).

Artículo de Google Scholar

Jenkinson, M., Beckmann, CF, Behrens, TEJ, Woolrich, MW y Smith, SM Fsl. Neuroimagen 62(2), 782–790. https://doi.org/10.1016/j.neuroimage.2011.09.015 (2012).

Artículo PubMed Google Scholar

Pan, J., Luo, H., Lu, Z. y Chang, J. Un nuevo descriptor de forma 3D basado en rotación. Sexto Int. Conf. Intel. Sistema. Des. Aplica. 2, 300–304. https://doi.org/10.1109/ISDA.2006.253850 (2006).

Artículo de Google Scholar

Gray, S., Abbena, E. y Salamon. Geometría diferencial moderna de curvas y superficies con Mathematica, (3ª ed.). Chapman y Hall/CRC., 2006. [En línea]. Disponible: https://doi.org/10.1201/9781315276038.

Elsa Abbena, AG y Salamon, S. Forma y curvatura. En Geometría diferencial moderna de curvas y superficies con Mathematica, tercera edición, págs. 385–419.

Skibbe, H., Reisert, M. y Burkhardt, H. Descriptores de vecindad gaussianos para la segmentación cerebral. MVA (2011).

Makkinejad, N. y col. Asociaciones del volumen y la forma de la amígdala con la patología de la proteína de unión al ADN 43 (TDP-43) de respuesta transactiva en una cohorte comunitaria de adultos mayores. Neurobiol. Envejecimiento. 77, 104-111 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Anand, KS y Dhikav, V. Hipocampo en la salud y la enfermedad: una descripción general. Año. Académico indio. Neurol. 15(4), 239–246 (2012).

Artículo de Google Scholar

Fixemer, S., y col. Las patologías concomitantes de EA y DLB dan forma a las respuestas de la microglía del subcampo en el hipocampo bioRxiv, p. 2022.01.06.475218 (2022).

Lindberg, O. y col. Análisis de la forma del hipocampo en la enfermedad de Alzheimer y subtipos de degeneración del lóbulo frontotemporal. J. Enfermedad de Alzheimer. 30(2), 355–365 (2012).

Artículo PubMed PubMed Central Google Scholar

Apostolova, LG et al. Comparación 3D de atrofia del hipocampo baja, intermedia y avanzada en DCL. Tararear. Mapa cerebral. 31, 786–797 (2010).

Artículo PubMed PubMed Central Google Scholar

Abdelaziz, M., Wang, T. & Elazab, A. Marco de diagnóstico de la enfermedad de Alzheimer a partir de datos multimodales incompletos utilizando redes neuronales convolucionales. J. Biomed. Informar. 121, 103863. https://doi.org/10.1016/j.jbi.2021.103863 (2021).

Artículo PubMed Google Scholar

Li, C. y Xu, J. La selección de características con la puntuación de Fisher seguida del algoritmo de centralidad de camarilla máxima puede identificar con precisión los genes centrales del carcinoma hepatocelular. Ciencia. Representante 9, 1-11. https://doi.org/10.1038/s41598-019-53471-0 (2019).

Artículo ADS CAS Google Scholar

Zhen, X. & Shao, L. Reconocimiento de acciones a través de características locales espacio-temporales: un estudio integral. Imagen Vis. Computadora. 50, 1-13. https://doi.org/10.1016/j.imavis.2016.02.006 (2016).

Artículo de Google Scholar

Gu, Q. Puntuación generalizada de Fisher para la selección de funciones: una breve revisión de la puntuación de Fisher.

Chang, C. & Lin, C. LIBSVM: una biblioteca para máquinas de vectores de soporte. Transmisión ACM. Intel. Sistema. Tecnología. 2, 1–39. https://doi.org/10.1145/1961189.1961199 (2013).

Artículo de Google Scholar

Sapolsky, RM Depresión, antidepresivos y la reducción del hipocampo. Proc. Nacional. Acad. Ciencia. 98(22), 12320–12322 (2001).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Manjón, JV & Coupé, P. volBrain: Un sistema de volumetría cerebral por resonancia magnética en línea. Cola. Neuroinf. 10, 1-14 (2016).

Artículo de Google Scholar

Cuingnet, R. y col. Clasificación automática de pacientes con enfermedad de Alzheimer a partir de resonancia magnética estructural: una comparación de diez métodos utilizando la base de datos ADNI. Neuroimagen 56(2), 766–781 (2011).

Artículo PubMed Google Scholar

Henneman, WJP y cols. Tasas de atrofia del hipocampo en la enfermedad de Alzheimer: valor agregado sobre las medidas de volumen cerebral total. Neurología 72(11), 999–1007 (2009).

Artículo CAS PubMed PubMed Central Google Scholar

Mueller, SG y cols. Patrones de atrofia del hipocampo en el deterioro cognitivo leve y la enfermedad de Alzheimer. Tararear. Mapa cerebral. 31(9), 1339–1347 (2010).

Artículo PubMed PubMed Central Google Scholar

Descargar referencias

Los autores desean agradecer a los investigadores de ADNI (http://adni.loni.usc.edu/) por compartir públicamente sus valiosos datos de neuroimagen. Los datos utilizados para preparar este artículo se obtuvieron de la base de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) (adni.loni.usc.edu). Como tal, los investigadores del ADNI contribuyeron al diseño y la implementación del ADNI y/o proporcionaron datos, pero no participaron en el análisis ni en la redacción de este manuscrito. Puede encontrar una lista completa de los investigadores de ADNI 350 en: http://adni.loni.usc.edu/wp-content/uploads/how_to_apply/ADNI_Acknowledgment_List.pdf.

Financiamiento de acceso abierto proporcionado por la Autoridad de Financiamiento de Ciencia, Tecnología e Innovación (STDF) en cooperación con el Banco Egipcio de Conocimiento (EKB).

Ingeniería Biomédica y de Sistemas, Universidad de El Cairo, El Cairo, Egipto

Shereen E. Morsy e Inas A. Yassine

Departamento de Computación y Sistemas, Instituto de Investigación Electrónica, El Cairo, Egipto

Nourhan Zayed

Departamento de Ingeniería Mecánica, Universidad Británica en Egipto, El Cairo, Egipto

Nourhan Zayed

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización: NZ, IAY, SEM Curación de datos: SEM Análisis formal: SEM, NZ, IAY Investigación: NZ, IAY Metodología: SEM, NZ, IAY Administración de proyectos: NZ, IAY Software: SEM Supervisión: NZ, IAY Validación: NZ, IAY Visualización: SEM, NZ, IAY Redacción: borrador original: NZ Preparación escrita: revisión y edición: IAY, NZ

Correspondencia a Nourhan Zayed.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Morsy, SE, Zayed, N. & Yassine, IA Método de clasificación basado en jerarquías basado en la fusión de descriptores de mapas gaussianos para el diagnóstico de Alzheimer mediante imágenes de resonancia magnética ponderadas en T1. Informe científico 13, 13734 (2023). https://doi.org/10.1038/s41598-023-40635-2

Descargar cita

Recibido: 16 de enero de 2023

Aceptado: 14 de agosto de 2023

Publicado: 23 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40635-2

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.