[论文解读] Reproducible evaluation of diffusion MRI features for automatic classification of patients with Alzheimers disease

Junhao Wen, Jorge Samper‐Gonzàlez+9 more|arXiv (Cornell University)|Dec 28, 2018

Advanced Neuroimaging Techniques and Applications参考文献 37被引用 9

一句话总结

本研究提出了一套可复现的框架，用于评估阿尔茨海默病（AD）分类中的扩散磁共振成像（dMRI）特征，整合了符合BIDS标准的数据处理、标准化预处理和特征提取。结果表明，通过适当的特征选择，体素级dMRI特征（FA、MD）在CN与AD分类中的平衡准确率最高可达0.82，与T1w MRI性能相当，同时揭示了验证设计中的陷阱，这些陷阱会高估性能表现。

ABSTRACT

Diffusion MRI is the modality of choice to study alterations of white matter. In past years, various works have used diffusion MRI for automatic classification of AD. However, classification performance obtained with different approaches is difficult to compare and these studies are also difficult to reproduce. In the present paper, we first extend a previously proposed framework to diffusion MRI data for AD classification. Specifically, we add: conversion of diffusion MRI ADNI data into the BIDS standard and pipelines for diffusion MRI preprocessing and feature extraction. We then apply the framework to compare different components. First, FS has a positive impact on classification results: highest balanced accuracy (BA) improved from 0.76 to 0.82 for task CN vs AD. Secondly, voxel-wise features generally gives better performance than regional features. Fractional anisotropy (FA) and mean diffusivity (MD) provided comparable results for voxel-wise features. Moreover, we observe that the poor performance obtained in tasks involving MCI were potentially caused by the small data samples, rather than by the data imbalance. Furthermore, no extensive classification difference exists for different degree of smoothing and registration methods. Besides, we demonstrate that using non-nested validation of FS leads to unreliable and over-optimistic results: 0.05 up to 0.40 relative increase in BA. Lastly, with proper FR and FS, the performance of diffusion MRI features is comparable to that of T1w MRI. All the code of the framework and the experiments are publicly available: general-purpose tools have been integrated into the Clinica software package (www.clinica.run) and the paper-specific code is available at: https://github.com/aramis-lab/AD-ML.

研究动机与目标

• 建立一个标准化、可复现的dMRI特征评估流程，用于阿尔茨海默病分类。
• 比较不同dMRI特征（体素级与区域级，FA与MD）在不同临床群体（CN、AD、MCI）中的表现。
• 研究预处理步骤、特征选择和验证策略对分类准确率的影响。
• 通过提供开源、符合BIDS标准的工具，解决以往基于dMRI的AD分类研究中的可复现性问题。
• 评估在MCI分类任务中，性能受限的主要原因是否为数据不平衡或小样本量。

提出的方法

• 该框架将ADNI队列中的dMRI数据标准化为BIDS格式，以实现一致的数据处理。
• 实现了dMRI预处理的自动化流水线，包括运动校正和磁敏感性校正，以及图像标准化。
• 利用标准扩散指标和空间分割方法，提取体素级和区域级的dMRI特征（FA、MD）。
• 采用统一的机器学习流水线，应用特征选择（FS）和交叉验证，并严格区分嵌套验证与非嵌套验证。
• 通过平衡准确率（BA）评估分类性能，并对不同预处理和特征工程选择进行严格比较。
• 所有代码和实验工作流均通过Clinica软件包及专用代码库发布，以确保完全可复现性。

实验结果

研究问题

• RQ1 体素级与区域级dMRI特征在分类CN与AD患者方面表现如何比较？
• RQ2 特征选择对分类性能有何影响？验证策略如何影响结果的可靠性？
• RQ3 为何以往研究在MCI分类中表现不佳——是由于数据不平衡还是样本量过小？
• RQ4 不同的平滑和配准方法如何影响分类结果？
• RQ5 在采用适当的预处理和验证方法时，dMRI特征能否实现与T1w MRI相当的分类性能？

主要发现

• 特征选择（FS）显著提升了CN与AD分类任务中的平衡准确率，从0.76提高到0.82。
• 体素级dMRI特征优于区域特征，且FA与MD表现相当。
• MCI分类性能较差的主要原因是样本量过小，而非数据不平衡。
• 在不同平滑程度或配准方法之间，未观察到显著的性能差异。
• 非嵌套验证导致结果过于乐观，使平衡准确率虚高0.05至0.40的相对提升。
• 在采用适当的特征选择和验证策略后，dMRI特征实现了与T1w MRI相当的分类性能。