Identification of Superficial White Matter Abnormalities in Alzheimer’s Disease and Mild Cognitive Impairment Using Diffusion Tensor Imaging
Notice bibliographique
Résumé
Background: Diffusion tensor imaging (DTI) estimates the microstructural alterations of the brain, as a magnetic resonance imaging (MRI)-based neuroimaging technique. Prior DTI studies reported decreased structural integrity of the superficial white matter (SWM) in the brain diseases. Objective: This study aimed to determine the diffusion characteristics of SWM in Alzheimer’s disease (AD) and mild cognitive impairment (MCI) using tractography and region of interest (ROI) approaches. Methods: The diffusion MRI data were downloaded from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) database on 24 patients with AD, 24 with MCI, and 24 normal control (NC) subjects. DTI processing was performed using DSI Studio software. First, for ROI-based analysis, The superficial white matter was divided into right and left frontal, parietal, temporal, insula, limbic and occipital regions by the Talairach Atlas, Then, for tractography-based analysis, the tractography of each of these regions was performed with 100000 seeds. Finally, the average diffusion values were extracted from voxels within the ROIs and tracts. Results: Both tractography and ROI analyses showed a significant difference in radial, axial and mean diffusivity values between the three groups ( p < 0.05) across most of the SWM. Furthermore, The Mini-Mental State Examination was significantly correlated with radial, axial, and mean diffusivity values in parietal and temporal lobes SWM in the AD group ( p < 0.05). Conclusion: DTI provided information indicating microstructural changes in the SWM of patients with AD and MCI. Therefore, assessment of the SWM using DTI may be helpful for the clinical diagnosis of patients with AD and MCI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».