基于拉普拉斯重分解的 PET-MRI 融合用于阿尔茨海默病分类中定量影像生物标志物的性能分析
《Journal of Imaging Informatics in Medicine》:Performance Analysis of Laplacian Re-Decomposition-Based PET–MRI Fusion for Quantitative Imaging Biomarkers in Alzheimer’s Disease Classification
【字体:
大
中
小
】
时间:2026年10月16日
来源:Journal of Imaging Informatics in Medicine 3.1
编辑推荐:
**摘要**
**背景**
阿尔茨海默病(AD)和轻度认知障碍(MCI)是认知衰退连续谱上的关键阶段。本研究探讨了拉普拉斯重分解(LRD)方法在正电子发射断层扫描(PET)与磁共振成像(MRI)融合中的应用,旨在开发用于AD分类的定量影像生物标志物。
**材料与方法**
**摘要****背景**阿尔茨海默病(AD)和轻度认知障碍(MCI)是认知衰退连续谱上的关键阶段。本研究探讨了拉普拉斯重分解(LRD)方法在正电子发射断层扫描(PET)与磁共振成像(MRI)融合中的应用,旨在开发用于AD分类的定量影像生物标志物。**材料与方法**本研究使用了阿尔茨海默病神经影像计划(ADNI)数据库中的数据。对T?、T?、T?-FLAIR及T?\*加权MRI序列,连同[1?F]FDG-PET图像,使用LRD算法进行预处理与融合。通过U-Net实现海马和额叶白质分割,进而计算相对信号对比度(RSC),作为各模态及融合图像的定量生物标志物。融合与分割性能采用标准指标进行评估。在调整人口学混杂因素后,对RSC在各诊断组间进行统计学比较,并使用ROC/AUC分析评估其分类性能。**结果**训练后的U-Net在海马与额叶白质分割中的平均Dice系数分别为0.93和0.95。ROC分析表明,从与PET融合的T?加权图像中提取的RSC在AD与认知正常(CN)分类中优于其他模态(AUC = 0.88,准确率 = 0.90)。此外,以RSC作为定量生物标志物的与PET融合的T?加权图像,在AD与MCI分类(AUC = 0.81,准确率 = 0.81)及MCI与CN分类(AUC = 0.84,准确率 = 0.88)中取得了最佳分类性能。**结论**研究结果表明,从LRD融合图像中提取的RSC具有优异的分类性能,支持其作为AD定量生物标志物的应用潜力。**图形摘要**(图示)
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号