Abstract Alzheimer’s disease (AD) is a progressive and irreversible neurodegenerative condition whose development is characterized by lateralized brain atrophies. In AD, the hippocampus is the first brain structure to present atrophy, which, although to a lesser extent, is also a precursor to the broader asymmetrical development of the human brain. Structural magnetic resonance (MR) imaging is capable of detecting the disease-induced anatomical changes in the brain, thus aiding the diagnosis of AD. MR image attributes extracted from the hippocampal regions are commonly used for the AD classification task. However, most of the published methods do not explore hippocampal asymmetries for image classification. In this study, we propose a new technique for performing the classification of MR images for AD using only hippocampal asymmetrical attributes. By using the new proposed asymmetry index (AI), we assessed the attributes and the ones that passed the analysis of variance test, i.e., showing statistically mean differences among the classes (CN, MCI, and AD), were selected for classification. As a result of our study, the statistical analysis of our AI has shown a significant increase in hippocampal asymmetry as disease progress (CN MCI AD). Moreover, for the classification using clinical MR images, we obtained accuracy values of 69.44% and 82.59%; and AUC values of 0.76 and 0.9 for CN × MCI and CN × AD, respectively. Last, we found the results of our asymmetry analysis consistent with other statistical assessments and our classification results, using only asymmetry attributes comparable to (or even higher than) existing hippocampus studies.

中文翻译：

---

使用来自定向 3-D log-Gabor 滤波器响应的结构海马不对称属性进行阿尔茨海默病诊断的脑 MR 图像分类

摘要阿尔茨海默病 (AD) 是一种进行性和不可逆的神经退行性疾病，其发展的特点是侧脑萎缩。在 AD 中，海马体是第一个出现萎缩的大脑结构，尽管程度较轻，但它也是人类大脑更广泛的不对称发育的先兆。结构磁共振 (MR) 成像能够检测疾病引起的大脑解剖学变化，从而有助于 AD 的诊断。从海马区域提取的 MR 图像属性通常用于 AD 分类任务。然而，大多数已发表的方法并没有探索海马体的不对称性以进行图像分类。在这项研究中，我们提出了一种新技术，用于仅使用海马不对称属性对 AD 的 MR 图像进行分类。通过使用新提出的不对称指数（AI），我们评估了属性，并选择通过方差分析测试的属性，即显示类别（CN、MCI 和 AD）之间的统计平均差异的属性进行分类。作为我们研究的结果，我们的 AI 的统计分析表明，随着疾病的进展，海马不对称性显着增加 (CN MCI AD)。此外，对于使用临床 MR 图像的分类，我们获得了 69.44% 和 82.59% 的准确度值；CN × MCI 和 CN × AD 的 AUC 值分别为 0.76 和 0.9。最后，我们发现不对称分析的结果与其他统计评估和分类结果一致，仅使用与现有海马体研究相当（甚至更高）的不对称属性。我们评估了属性，并选择了通过方差分析测试的属性，即显示类别（CN、MCI 和 AD）之间的统计平均差异的属性进行分类。作为我们研究的结果，我们的 AI 的统计分析表明，随着疾病的进展，海马不对称性显着增加 (CN MCI AD)。此外，对于使用临床 MR 图像的分类，我们获得了 69.44% 和 82.59% 的准确度值；CN × MCI 和 CN × AD 的 AUC 值分别为 0.76 和 0.9。最后，我们发现不对称分析的结果与其他统计评估和分类结果一致，仅使用与现有海马体研究相当（甚至更高）的不对称属性。我们评估了属性，并选择了通过方差分析测试的属性，即显示类别（CN、MCI 和 AD）之间的统计平均差异的属性进行分类。作为我们研究的结果，我们的 AI 的统计分析表明，随着疾病的进展，海马不对称性显着增加 (CN MCI AD)。此外，对于使用临床 MR 图像的分类，我们获得了 69.44% 和 82.59% 的准确度值；CN × MCI 和 CN × AD 的 AUC 值分别为 0.76 和 0.9。最后，我们发现不对称分析的结果与其他统计评估和分类结果一致，仅使用与现有海马体研究相当（甚至更高）的不对称属性。选择显示类别（CN、MCI 和 AD）之间的统计平均差异进行分类。作为我们研究的结果，我们的 AI 的统计分析表明，随着疾病的进展，海马不对称性显着增加 (CN MCI AD)。此外，对于使用临床 MR 图像的分类，我们获得了 69.44% 和 82.59% 的准确度值；CN × MCI 和 CN × AD 的 AUC 值分别为 0.76 和 0.9。最后，我们发现不对称分析的结果与其他统计评估和分类结果一致，仅使用与现有海马体研究相当（甚至更高）的不对称属性。选择显示类别（CN、MCI 和 AD）之间的统计平均差异进行分类。作为我们研究的结果，我们的 AI 的统计分析表明，随着疾病的进展，海马不对称性显着增加 (CN MCI AD)。此外，对于使用临床 MR 图像的分类，我们获得了 69.44% 和 82.59% 的准确度值；CN × MCI 和 CN × AD 的 AUC 值分别为 0.76 和 0.9。最后，我们发现不对称分析的结果与其他统计评估和分类结果一致，仅使用与现有海马体研究相当（甚至更高）的不对称属性。我们的 AI 的统计分析表明，随着疾病的进展（CN MCI AD），海马不对称性显着增加。此外，对于使用临床 MR 图像的分类，我们获得了 69.44% 和 82.59% 的准确度值；CN × MCI 和 CN × AD 的 AUC 值分别为 0.76 和 0.9。最后，我们发现不对称分析的结果与其他统计评估和分类结果一致，仅使用与现有海马体研究相当（甚至更高）的不对称属性。我们的 AI 的统计分析表明，随着疾病的进展（CN MCI AD），海马不对称性显着增加。此外，对于使用临床 MR 图像的分类，我们获得了 69.44% 和 82.59% 的准确度值；CN × MCI 和 CN × AD 的 AUC 值分别为 0.76 和 0.9。最后，我们发现不对称分析的结果与其他统计评估和分类结果一致，仅使用与现有海马体研究相当（甚至更高）的不对称属性。