Computer-aided classification of alzheimer's disease based on support vector machine with combination of cerebral image features in MRI

Abstract

Several studies have differentiated Alzheimer's disease (AD) using cerebral image features derived from magnetic resonance (MR) brain images, such as the volume and shape of hippocampus and cerebral cortical thicknesses. In this study, we were interested in combining cerebral image features, including hippocampus and amygdala volumes, and entorhinal cortex thickness to improve the performance of the AD differentiation. Thus, the aim of this study was to investigate the useful cerebral image features obtained from MRI for computer-aided classification of AD patients using a support vector machine (SVM). T1-weighted MR brain images of 100 AD patients and those of 100 normal subjects obtained from Alzheimer's Disease Neuroimaging Initiative were studied. FreeSurfer (software for analysis of brain imaging data) was used to measure hippocampus and amygdala volumes, and entorhinal cortex thicknesses in left and right brain hemispheres. Relative volumes of hippocampus and amygdala were then calculated using total intracranial volume (TIV) to correct the variation in individual head size. SVM was employed for classification of AD patients using five different combinations of cerebral image features (H: left and right hippocampus relative volumes, A: left and right amygdala relative volumes, E: left and right entorhinal cortex thicknesses, HA: left and right hippocampus and amygdala relative volumes, and ALL: all features). Receiver operating characteristic (ROC) analysis and area under the curve (AUC) were used to evaluate the method. AUC values of 5 cerebral feature combinations were 0.8575 (H), 0.8374 (A), 0.8422 (E), 0.8631 (HA), and 0.8906 (ALL), respectively. Although using all features (ALL) provided the highest AUC, there were no statistically significant differences among them except for the A feature. Our results showed that all combinations of cerebral image features derived from T1- weighted MR brain images may be feasible for computer-aided classification of AD patients by using SVM.

วัตถุประสงค์ของการศึกษานี้เพื่อใช้คอมพิวเตอร์แยกคนไข้อัลไซเมอร์และคนปกติโดยใช้ซัพพอร์ตเวกเตอร์แมชชีนและลักษณะภาพเอ็มอาร์ไอ โดยภาพที่ใช้ในงานวิจัยนี้นำ มาจากฐานข้อมูลของ Alzheimer's Disease Neuroimaging Initiative (ADNI) ซึ่งประกอบด้วยภาพเอ็มอาร์ไอสมองแบบ T1 ของคนไข้อัลไซเมอร์จำนวน 100 ภาพ และคนปกติจำนวน 100 ภาพ ในขั้นแรกโปรแกรม FreeSurfer ถูกนำ มาใช้ในการแยกลักษณะของภาพได้แก่ ปริมาตรของฮิปโปแคมปัสข้างซ้ายและขวา ปริมาตรของอมิกดาลาข้างซ้ายและขวา และ ความหนาของเอ็นโทไรนัลคอร์เทกซ์ข้างซ้ายและขวา จากนั้นปริมาตรของฮิปโปแคมปัสและอมิกดาลาข้างซ้ายและขวาจะถูกนำ มาหาค่าปริมาตรสัมพันธ์เพื่อลดความแปรปรวนจากสมองของแต่ละคน การป้อนลักษณะภาพให้ซัพพอร์ตเวกเตอร์แมชชีนมีทั้งหมด 5 กลุ่มซึ่งแทนด้วย code ดังนี้: H (ปริมาตรสัมพันธ์ของฮิปโปแคมปัสข้างซ้ายและขวา), A (ปริมาตรสัมพันธ์ของอมิกดาลาข้างซ้ายและขวา), E (ความหนาของเอ็นโทไรนัลคอร์เทกซ์ข้างซ้ายและขวา), HA (ปริมาตรสัมพันธ์ของฮิปโปแคมปัสและอมิกดาลาข้างซ้ายและขวา) และ ALL (ลักษณะภาพทั้งหมด) จากนั้นพื้นที่ใต้กราฟ ROC จะถูกนำมาใช้ประเมินความสามารถในการแยกโรค ผลการศึกษาพบว่าพื้นที่ใต้กราฟของ 5 กลุ่มมีค่าเท่ากับ 0.8575 (H), 0.8374 (A), 0.8422 (E), 0.8631 (HA) และ 0.8906 (ALL) ถึงแม้ว่ากลุ่ม ALL จะให้พื้นที่ใต้กราฟมากสุด แต่ไม่พบความแตกต่างอย่างมีนัยสำคัญเมื่อเทียบกับกลุ่มอื่นยกเว้นกลุ่ม A จากผลการศึกษาสรุปได้ว่าลักษณะภาพทั้ง 5 กลุ่มมีความเหมาะสมที่จะนำ มาใช้แยกโรคอัลไซเมอร์ด้วยคอมพิวเตอร์โดยใช้ซัพพอรต์เวกเตอร์แมชชีน