European Radiology：分割方法如何影响阿尔茨海默病分析中海马特征的准确性?

阿尔茨海默病（AD）是导致老年人痴呆的最常见原因之一，是一种致命的神经退行性疾病，以进行性认知障碍为特征，其中轻度认知障碍（MCI）通常被认为是正常衰老和早期痴呆之间的过渡阶段。放射组学已被多项研究证明是一种强大的影像学方法，可以从特定的医学图像区域提取综合信息，包括强度、形状和纹理特征。由于海马形态变化是AD/MCI的主要标志之一，基于多部位结构磁共振成像（sMRI）研究，海马放射组学特征（HRFs）已被用作AD/MCI临床应用的强大神经影像生物标志物。然而，不同的海马分割方法在应用于AD分析时如何影响HRFs仍是未知数。

计算HRFs的前提是对MR图像进行海马分割，目前已经出现了多种海马分割方法。以前的研究使用阿尔茨海默病神经影像倡议（ADNI）数据库（http://adni.loni.usc.edu）比较了不同海马分割方法的性能，包括多数投票（MV）、非局部补丁（NLP）、随机局部二元模式（RLBP）、度量学习（ML）、局部标签学习（LLL）、随机森林（RF）、随机森林-半监督标签传播（RF-SSLP）。有趣的是，基于机器学习的多图谱图像分割（MAIS）方法具有较高的计算成本，但分割的准确性只是略有提高。

近日，发表在European Radiology杂志的一项研究探讨了不同的分割方法影响AD分析中HRF准确性方面的情况，为临床更佳准确、统一化的进行AD分析提供了参考依据。

本项研究从阿尔茨海默病神经影像学倡议数据库（ADNI）中共确定了1650名受试者。采用了小型精神状态检查（MMSE）和阿尔茨海默病评估量表（ADAS-cog13）。在计算了结构磁共振成像（sMRI）中海马每一侧的强度、形状和纹理特征的HRFs后，验证了7种不同的海马分割方法所计算的HRFs的一致性，同时也检查了基于机器学习的AD与正常对照（NC）分类中采用不同HRFs的性能。来自欧洲痴呆症数据库（EDSD）的另外571名受试者验证了结果的一致性。 

在不同的分段之间，HRFs显示出高度的测量一致性（R>0.7），在NC、轻度认知障碍（MCI）和AD（T值，R>0.8）之间有高度的明显一致性，HRFs和MMSE/ADAS-cog13之间有一致的明显相关性（P <0.05）。当通过原始多数投票（阈值=0.2）对海马进行充分分割时，获得了最佳的NC与AD分类。从独立的EDSD队列中再现了高度一致的结果。 

图 用七种不同的海马分割方法计算了放射学特征之间的相关R值的分布。数字表示R值>0.7的比率有多大

本项研究结果表明，在不同的海马分割方法中，HRFs表现出较高的测量/统计/临床一致性，用多数投票法提取的HRFs在AD分类中表现最好，分割比较充分且海马分割精度相对较低。

原文出处：

Qiang Zheng,Yiyu Zhang,Honglun Li,et al.How segmentation methods affect hippocampal radiomic feature accuracy in Alzheimer's disease analysis?DOI:10.1007/s00330-022-09081-y