[论文解读] fMRI Based Cerebral Instantaneous Parameters for Automatic Alzheimer's, Mild Cognitive Impairment and Healthy Subject Classification

Esmaeil Seraj, Mehran Yazdi+1 more|arXiv (Cornell University)|Jan 1, 2019

Functional Brain Connectivity Studies参考文献 2被引用 1

一句话总结

本研究提出了一种基于fMRI的新型分类框架，利用脑区瞬时相位和包络特征来区分阿尔茨海默病（AD）、轻度认知障碍（MCI）和健康对照组。通过应用ROI分析，从相位和包络信号中提取功率、熵和相干性特征，并使用SFFFS和t检验进行特征选择，该方法在整体准确率上达到80.1%，对AD和正常分类的敏感度均为80.0%，与当前最先进的方法相当。

ABSTRACT

Automatic identification and categorization of Alzheimer's patients and the ability to distinguish between different levels of this disease can be very helpful to the research community in this field, since other non-automatic approaches are very time-consuming and are highly dependent on experts' experience. Herein, we propose the utility of cerebral instantaneous phase and envelope information in order to discriminate between Alzheimer's patients, MCI subjects and healthy normal individuals from functional magnetic resonance imaging (fMRI) data. To this end, after performing the region-of-interest (ROI) analysis on fMRI data, different features covering power, entropy and coherency aspects of data are derived from instantaneous phase and envelope sequences of ROI signals. Various sets of features are calculated and fed to a sequential forward floating feature selection (SFFFS) to choose the most discriminative and informative sets of features. A Student's t-test has been used to select the most relevant features from chosen sets. Finally, a K-NN classifier is used to distinguish between classes in a three-class categorization problem. The reported performance in overall accuracy using fMRI data of 111 combined subjects, is 80.1% with 80.0% Sensitivity to both Alzheimer's and Normal categories distinction and is comparable to the state-of-the-art approaches recently proposed in this regard. The significance of obtained results was statistically confirmed by evaluating through standard classification performance indicators. The obtained results illustrate that introduced analytic phase and envelope feature indexes derived from the ROI signals are significantly discriminative in distinguishing between Alzheimer's patients and Normal healthy subject.

研究动机与目标

• 开发一种自动、客观的方法，利用fMRI数据对阿尔茨海默病、MCI和健康受试者进行分类。
• 克服神经退行性疾病诊断中依赖专家、耗时的主观手动分类方法的局限性。
• 探索从fMRI信号中提取的瞬时相位和包络特征在脑连接性分析中的区分潜力。
• 通过先进的特征提取和选择方法，利用功能脑信号中的时间动态特性，提高分类准确率。
• 使用标准分类指标和统计显著性检验，在111名受试者的实际fMRI数据集上验证该方法的性能。

提出的方法

• 对静息态fMRI数据进行感兴趣区（ROI）分析，从预定义的脑区提取时间序列。
• 使用希尔伯特变换计算ROI信号的瞬时相位和包络，以捕捉动态神经活动模式。
• 从相位和包络序列中提取多变量特征，包括功率、熵以及基于相位锁定值（PLV）的相干性。
• 应用顺序前向浮动特征选择（SFFFS）以识别最具信息量且非冗余的特征子集。
• 对选定的特征集使用两样本t检验，进一步精炼并选择最具统计学意义的特征。
• 在最终的特征集上训练K-最近邻（K-NN）分类器，实现三分类（AD、MCI、健康）。

实验结果

研究问题

• RQ1 fMRI信号中的瞬时相位和包络特征能否有效区分阿尔茨海默病、MCI和健康受试者？
• RQ2 哪些相位和包络衍生特征组合（功率、熵、相干性）能实现最高的分类准确率？
• RQ3 所提出的特征选择流程（SFFFS + t检验）相较于基线特征集，如何提升分类性能？
• RQ4 该方法的性能是否具有统计显著性，并且与当前最先进的fMRI神经退行性疾病分类方法相当？
• RQ5 默认模式网络中的相位和包络动态在多大程度上反映了AD和MCI的病理变化？

主要发现

• 该方法在包含111名受试者（AD、MCI和健康对照）的数据集中实现了80.1%的整体分类准确率。
• 对阿尔茨海默病和健康受试者的敏感度均为80.0%，表明对这两个关键类别具有强大的区分能力。
• 与传统的fMRI特征集相比，使用瞬时相位和包络特征显著提升了分类性能。
• 通过SFFFS和t检验进行特征选择，有效减少了冗余并增强了所选特征的相关性，从而促进了稳健的分类。
• 结果通过标准性能指标进行了统计验证，证实了研究结果的可靠性和显著性。
• 该方法在临床应用中展现出巨大潜力，可作为非侵入性、自动化的工具，用于神经退行性疾病的早期检测和分期。