通过临床和心理测量学评估对有记忆障碍的阿尔茨海默病患者（AD）进行分类和预测有许多难度，尤其是在轻度认知障碍（MCI）患者中。定量结构磁共振成像采集方法结合计算机辅助诊断用于评估AD，包括基于体素的形态测量、特定感兴趣区域的体积测量（ROI）、皮层厚度测量、形状分析，以及纹理分析。本文的评估对象是以下三组：正常对照组、MCI组和AD被试。此外，还评估了在预测MCI向AD转化方面的情况。疾病早期的结构变化在内侧颞叶，尤其是内嗅皮层，而随着病情的发展，内嗅皮质和海马体都提供了相似的辨别能力。然而，对于从MCI到AD的转换，内嗅皮质比其他结构（如海马体）权重更高。但目前仍旧难以找到预测准确率更高的靶定区域。
一、简介
痴呆症是一种广泛的脑部疾病，它通过导致记忆、思维、行为、方向的退化，进而导致人的日常功能下降而影响大脑。阿尔茨海默病（AD）是最常见的痴呆症，可能导致60-80%的病例。简易精神状态检查（MMSE）和临床痴呆评分（CDR）是评估AD最常用的两种测试方法。MMSE最高得分为30分，得分低于12表示严重痴呆，13-20分为中度痴呆，20-24为轻度痴呆，24-30代表正常对照（NC）。同时，CDR评分 0分代表NC，0.5分代表非常轻微的痴呆，1分代表轻度痴呆，2分代表中度痴呆，3分代表严重痴呆。由于临床诊断具有不确定性，临床评估应至少包括一个特征：1)结构磁共振(MRI)见内侧颞叶(MTL)萎缩;2)正电子发射断层扫描(PET)见颞顶叶低代谢物;4)异常的神经脑脊液(CSF)标记(tau或Aβ)AD患者的大脑的内侧颞叶(MTL)开始发生结构变化，与陈述性记忆相关的结构。许多尸检研究表明，内嗅皮层和经鼻区是轻度认知障碍（MCI）早期开始产生变异的结构，在AD患者中，退行性过程从内嗅皮层开始，其次是海马、杏仁核和海马旁回。随着疾病的加深，这些区域的神经元组织减少，从而产生脑萎缩。由于大脑的不可接近性促使了对诊断性影像学标记物的研究。影像学在提高我们对AD的认识方面起着重要作用，可以提供AD患者的大脑图像。此外，由于临床在鉴别其他痴呆亚型（如FTLD,额颞叶变性）时的不确定性，成像生物标记可用于鉴别诊断。内嗅皮质和海马体（见图1）是AD病理生理学活体和尸检研究中使用的两个最常见的感兴趣区域（ROI）。然而，MRI的视觉评估不足以估计疾病影响区域的组织丢失率，定量测量对于评估疾病是必不可少的。人眼无法感知最小程度的萎缩，如果没有定量测量，图像评价是主观的。另一方面，由于只使用MMSE测试，而这些受试者没有严重的记忆问题，MCI无法轻易识别。随着磁共振成像数据集的增大和手工追踪更加耗时，计算机辅助诊断（CAD）系统通常通过自动化或半自动化技术来勾勒出感兴趣的区域，并提供定量测量。本文回顾了评估阿尔茨海默病的结构像处理的各种方法的总体结果，包括准确性，特异性和敏感性。此外，它描述了这些方法在预测从MCI到AD的转化的有效性。第二节介绍了CAD系统的流程，第三节和第四节分别介绍了CAD系统在疾病诊断和预后中的应用。第五节总结了对AD的诊断和预后建议的方法和结构。最后提出了AD评估的未来方向。
图1 海马体和内嗅皮层。(a)海马。(b)海马CA1区。(c)内嗅皮层与海马体。
二、 CAD（computer-aided diagnosis）计算机辅助诊断系统流程CAD系统的目标是帮助放射科医生解释医学图像。此外，CAD为ROIs提供定量信息，以生成准确完整的病理报告。在医学图像分析中，通常通过图像采集与预处理、感兴趣区域分割、特征提取、分类和解释等步骤来实现对生物医学图像的定量测量。本节将分析用于开发痴呆症评估的CAD系统的医学图像分析步骤和技术。ADNI图像处理流程包括采集后梯度（Gradwarp）校正、B1不均匀性校正和基于模型的缩放校正。除了ADNI，澳大利亚成像生物标志物与生活方式的研究老龄化已经招募了1100名参与者，收集了超过4.5年的纵向数据。开放影像学系列（OASIS）提供了用于确定AD评估诊断标志物的数据，数据分为两组：青年、中年、无痴呆和痴呆老年人的横向MRI数据和无痴呆和痴呆老年人的纵向MRI数据。Add NeuroMed是一个跨欧洲的公共/私人联合体，旨在发现AD生物标记物。分割在医学影像中的作用是将图像分割成研究解剖结构、识别ROI或测量组织体积的区域。对于磁共振图像中的灰质、白质和脑脊液的自动分割，提出了三种方法：基于统计的分割方法、基于学习的分割方法和基于图谱的分割方法。基于图谱的分割方法是医学图像分割中最常用的方法。在基于图谱的分割中，将强度模板非刚性地配准到目标图像上，并通过变换将模板的组织类别或解剖结构标签转换到目标图像的空间。两种基于图谱的方法，根据标签分类以及使用动态脑图谱期望最大化分割的表现明显优于基于模型、轮廓模型和贝叶斯模型的方法。提取的特征是有助于病理特征描述的重要数据。特征提取方法分析对象或图像，以提取代表各种对象类别的最突出的特征。表III列出了目前用于评估AD的方法，如中所述，其中对这些方法进行了比较。根据Cuingnet等人。根据从MRI提取的特征类型，这些方法可分为三类：2）基于顶点的，如果特征是从皮质表面导出的厚度测量值；除海马体外，内嗅皮质也是目前许多研究用来评估AD的结构。本文介绍了基于VBM、皮质厚度、体积、形状和纹理的结构MRI特征。在AD的评估中，VBM的优势是检查整个大脑的结构。特别是，它可以检测不同脑组织类型（如GM和WM）之间的差异。首先，将脑图像分割成三个成分GM（灰质）、WM（白质）和CSF（脑脊液），然后将其空间归一化到统一的空间。这使得不同的大脑可以对整个大脑的体素直接进行统计分析。现在，VBM被用来检查大脑的整个体积，并检测两个群体的图像的差异。此外，它也被用来计算皮质厚度变化。厚度测量的一个局限性是它们不能检测到皮层下结构（如WM或CSF）的变化；因此，它只用于检测皮质萎缩的区域分布。一般来说，VBM的一些局限性包括在空间标准化过程中的系统性配准错误，以及在T1中的WM变化或在大多数人群中并不常见的病理变化。体积分析用于测量结构的体积。然而，体积分析的一个主要缺点是结构的厚度或形状可能在其体积之前发生变化。研究表明，整体海马体积测量可能并不够敏感，不足以跟踪单一人群的变化。在鉴别诊断中，VBM在区分AD和FTLD(额颞叶变性)方面显示出更高的准确性。形状分析用于感兴趣区域的表面和/体积的数字几何模型中，以检测区域之间的相似性或差异性。通过检查一个结构的形状，不仅能更敏感地跟踪萎缩的进展，而且可以在不同的亚领域对其进行评估。在获得人脑形状特征的众多技术中，主要采用排列因素的方法有：对应的球面调和描述（SPHARM）、基于变形的形态计量和可变形模型。纹理是一个模糊的概念，通常归因于人类对表面颜色/强度变化的感知，因此量化了诸如平滑度、粗糙度和规则性等特性。可以说，纹理是指感兴趣区域中像素值的空间和统计关系。比如：早期AD与小范围的神经纤维缠结（NFTs）和淀粉样β（Aβ）斑块沉积有关；这些小范围的变化能够在MRI图像中形成特定的纹理模式，通过从图像中提取纹理特征来识别。尽管在AD中，纹理分析的应用较少，然而，纹理分析具有检测早期微观变化的优势。对于纹理分析通常使用基于统计的方法，根据不确定的属性来间接地表示纹理，这些属性规定了图像灰度级别之间的分布和关系（见表IV）。与二维技术相比，三维纹理特征包含更多的空间信息、更高的敏感性和特异性。机器学习技术具有根据在图像中编码的信息，在不需要先验假设的情况下对MR特征进行分类的能力。在进行分类时，将样本分成两组：训练和测试。最常用的统计技术包括判别分析（DA）、逻辑回归（LR）、神经网络和支持向量机（SVM）（见表五）当样本量较大时，线性DA和LR具有相似的结果，而在较小的样本中，DA表现得更好。此外，DA比LR更快。无论数据分布如何，LR都表现良好。另一方面，当变量满足假设时，DA是首选。此外，当类别的数目足够大，使得估计的平均数和方差接近连续解释变量的总体值时，DA是首选支持向量机代表基于训练、测试和性能评估的模式识别算法。与DA方法相比，SVM是一种更具生成性的方法，因为它关注所有的数据点，支持向量机更具分辨力，因为它们集中在难以分类的点上。它们可以在数据具有未知分布的情况下使用，其最大的优势之一是在模式识别和泛化性能方面提供了很好的结果。此外，它们还提供了一种在高维空间中使用小训练集训练广义非线性分类器的可能性。神经网络可以作为LR（逻辑回归）的一种替代方法。人工神经网络（ANNs）得益于多种训练算法的可用性；它们需要较多的训练，并且在预测医疗结果方面表现良好。人工神经网络的局限性包括计算量过大、在检测因果关系时的局限性以及过拟合的局限性。
第十一届磁共振脑影像结构班（南京，1.12-17)
第三十六届磁共振脑影像基础班（南京，2021.1.6-11）
第十五届DTI数据处理班（南京，12.26-31）
第十三届脑影像机器学习班（南京，12.13-18）
第十九届磁共振脑网络班（南京，1.18-23)
第三十五届磁共振脑影像基础班（重庆，11.30-12.5）
第三十七届磁共振脑影像基础班（重庆，1.23-28）
第十四届DTI数据处理班（重庆，11.19-24）
第七届任务态fMRI专题班(重庆，1.14-19）
表5 在MCI和AD分类的CAD系统中可用的分类算法
表VI列出了用于MCI和AD分类的CAD系统。以下表格中的定量MRI研究是基于以下章节中描述的淀粉样蛋白、体积、厚度、形状和纹理分析。每个研究都给出了主要作者、ROI、数据类型、研究对象数量和分类的准确性、敏感性和特异性。VBM用于描述大脑结构的整体变化或萎缩。Evans等人研究结果表明，AD患者脑萎缩的平均标准差为每年1.5%，而NC为每年0.5%。另一方面，MCI受试者的年脑萎缩率为1.1%。有意思的是，在这项研究中，人们注意到转为AD的MCI患者比没有进展为AD的MCI患者的大脑萎缩要大两倍。Busatto等人的研究表明在AD患者的MTL(内侧颞叶)区域检测到显著的GM缺失，内嗅皮质是AD早期发生神经退行性改变的主要区域。Karas等人根据VBM的结果，除了海马体萎缩外，AD患者的小脑、内侧丘脑、尾状核头部以及扣带回的GM体积减少。另有研究，运用VBM方法，分析GM萎缩的模式，以检验MCI的特征，以及决定MCI与AD差异的因素。除了量化MCI受试者和AD患者之间的GM萎缩程度外，作者还研究了转为AD的患者海马体积是否仍有变化。Whitwell等人研究结果表明MCI患者在MTL（内侧颞叶）区有GM（灰质）丢失，顶叶和扣带皮质与AD患者关系更密切。还有研究，比较了在固定时间内（基线扫描后18个月）转变为AD的MCI患者与保持稳定的受试者的GM萎缩模式。与NC相比，转变为AD的受试者在大脑特定区域出现双侧GM缺失。因此，根据VBM可能不是对正常和MCI患者最敏感的分类方法。然而，当直接比较两组（稳定和转变的MCI）时，转变组表现出更多的GM萎缩。Kloppel等人采用基于体素的SVM方法，通过建模两个不同的解剖区域来分析NC和AD患者的GM：在第一个模型中，他们使用来自整个大脑的数据，在第二个模型中，他们使用来自海马体中心的ROI的数据。他们的方法在对20名NC和20名AD受试者进行评估时达到了90%的准确率。一些研究证实海马萎缩可以构成一个有用的诊断生物标志物。1997年，Jack等人首次利用MRI研究MTL(内侧颞叶)容积测量是否可以为NC和AD患者的分类提供信息。他们的研究包括126名NC受试者和94名可能的AD患者，他们估计了海马体、海马旁回和杏仁核的体积测量值。他们的结果显示，在对照组中，无论男女，随着年龄的增长，平行结构都会下降，并且在每种情况下，AD患者的MTL体积都明显小于NC患者（p<0.001）。在这种分类中表现更好的MTL结构是海马体。2001年，Galton等人。证实海马萎缩是一个有用的诊断生物标志物，并且他们显示在AD患者中有50%的海马萎缩。Colliot等人使用海马体积来区分NC、MCI和AD患者。该技术之前曾被Chupin等人使用，是完全自动化的，海马和杏仁核同时被分割。他们的研究结果显示，各组患者的海马体积均显著减少。具体来说，AD与NC之间的体积减小了32%，MCI与NC之间减小了19%，AD与MCI之间减小了15%除了海马体，其他结构如内嗅皮层也被用于AD的评估。然而，由于内皮层或海马体在疾病进展中更易受影响尚存争议，Juottonen等人研究对AD患者和NC受试者使用体积MRI来研究这两种结构中哪一种受影响更大。两种结构均具有区分AD患者和NC患者的能力，但内嗅皮层和海马体积的区分能力没有本质区别。AD患者右内嗅皮层体积比NC患者小38%，左内嗅皮层体积小40%。海马体积也出现了类似的萎缩，与NC对照组相比，右侧海马体积萎缩33%，左侧海马体积萎缩35%。显然，在疾病的晚期，这两个结构都有相似的萎缩率。Pennanen等认为，选择合适的ROI应该依赖于分类组。因此，他们研究了大脑的哪些结构可以用来最好地划分这三个不同的研究小组。他们的结果显示，与海马体积相比，MCI受试者的内嗅皮层萎缩更为严重，而AD患者的海马萎缩更为明显。其中，MCI和NC的最佳总体分类为内嗅皮层分类(66%)，而MCI和AD、NC和AD的最佳总体分类(82%)为海马体积分类(91%)。与之相似的是，左海马萎缩似乎对所有受试者都更为严重。Desikan等人进行了内嗅皮层和嗅上回厚度的自动结构测量，以区分MCI受试者和AD患者与正常患者。他们使用了来自两个独立组群的基线容量扫描，其中图像来自OASIS和ADNI数据库。海马体积、嗅内皮层和颏上回厚度在训练组的平均曲线下面积(AUC)为0.91，验证组的平均曲线下面积(AUC)为0.95。值得一提的是，他们的结果与核医学技术(如氟脱氧葡萄糖(FDG)-PET或淀粉样结合PET研究)的结果具有可比性，甚至更为准确。此外，本研究中对MCI受试者的识别准确率与之前一项使用放射性淀粉样蛋白和tau蛋白示踪剂的PET研究和两项MRI研究相当。Lerch等人，用一种自动化的方法测量整个大脑的皮质厚度，并检测出AD患者和NC患者之间的差异。大脑许多区域的皮质厚度都下降了，但是海马旁回和MTLs是最受影响的区域。与其他研究类似，研究发现左侧大脑受到更严重的影响。因此，根据本研究，AD早期皮质萎缩不仅与MTL（内侧颞叶）有关，还与边缘系统、颞叶外侧叶及皮质有关。Lerch等人使用自动化方法测量整个大脑的皮质厚度，并检测AD患者和NC患者之间的差异。大脑许多区域的皮质厚度下降，海马旁回和颞叶颞叶是受影响最大的区域。与其他研究类似，研究发现左脑受到的影响更严重。因此，本研究认为AD早期皮质萎缩不仅与MTL有关，还与边缘系统、外侧颞叶和皮质有关Gerardin等人根据海马形状特征进行分析，通过SPHARM系数来模拟海马形状。他们的结果显示，形状分析可以在海马体体积开始减少之前发现海马体的局部萎缩。这种技术更为敏感，尤其是在MCI阶段。形状分析可以用来揭示海马体局部和非叶区的萎缩，根据作者的说法，AD患者和NC受试者之间的分类准确率优于体积分析，后者的分类准确率在80%到90%之间。此外，当在分类MCI患者在体积研究中，准确率较低，在60%到74%之间。Chetelat等人进行了一项纵向研究，对MCI受试者进行了18个月的跟踪。他们的目的是将可能的萎缩图投射到MCI患者的海马体三维表面图上，并与正常年龄段的GM萎缩情况相比较。他们的研究结果显示，与非转化者相比，转化者的萎缩更为显著，而且这种影响在随访中更为显著。有趣的是，无论是转换型还是非转换型，海马体上外侧的CA1区萎缩更为明显。组织病理学研究也一致认为在特定的海马亚区有相对较高程度的萎缩。另一方面，随着年龄的增长，海马下部对应的基底部分的GM损失更为严重。Ferrarini等人在CA1区基于海马形状的标记，并通过在一个或两个海马上基于SVM，将AD组与NC组分类，总体准确率为90%，而稳定MCI受试者与转换MCI受试者的鉴别准确率为80%。Freeborough和Fox使用纹理分析对来自NC和AD患者进行分类。他们利用0°、45°、90°和135°偏移角的灰度共生矩阵提取特征，从每个矩阵中导出13个特征，并完成了每个特征在4个偏移角上的平均值和范围。他们指出，纹理分析可以揭示NC和AD患者之间的显著差异值。
Zhang等人利用三维纹理特征识别AD患者的NC。从位于海马体和内嗅皮层区域的球形roi中提取了100多个纹理特征。为了研究对ROI选择的影响，他们用三种方式选择ROI。表现较好的区域包括海马、内嗅皮质和部分脑脊液。选择较大的ROI可以产生更高的分类准确率。他们达到了文献中提到的最高准确率，可能是因为他们使用了受严重影响的AD受试者。de Oliveira等人用纹理分析对MCI受试者的影响。他们将丘脑和颅骨作为特征。对这两个roi分别进行了分析，分别采用人工分割和自动工具提取特征。根据作者的说法，这种方法比其他分析整个大脑结构的技术更可靠。他们的研究目的是将NC从健忘症MCI受试者和轻度AD患者中进行分类，并通过分析揭示丘脑和胼胝体之间的差异，区分两组受试者。Simoes等人使用了一种全脑方法，将局部统计纹理图用于NC MCI受试者的分类。通过支持向量机，他们获得了87%的平均准确率。然而，他们的样本很小（N=30）。在Sørensen等人的研究中，使用接收器操作特性曲线和相应的AUC作为性能度量来评估海马结构的分类能力。纹理分析在区分NC和AD时的AUC为0.912，NC与MCI的AUC为0.764。对于同一组，容积分析的AUC曲线分别为0.909和0.784。据我们所知，这是唯一一项评估MCI受试者海马结构和体积之间是否存在相关性的研究。关于预后，结果显示海马结构优于体积测量，AUC分别为0.74和0.67，并且他们的结果与FDG-PET相关。近年来，从MCI到AD的预测工作受到了广泛的关注，这主要是因为如今大型多中心的研究为研究提供了纵向数据。最大的挑战AD评估是为了预测患者是否会患上这种疾病。AD评估的最大挑战是预测病人是否会发展成这种疾病。识别这些患者非常重要，因为可以更早地为他们提供可能的预防性药物(或非药物)干预。目前，许多研究使用与被试分类相似的特征集来研究从MCI到AD转换的预测。表VII列了这些研究。Davatzikos等利用高维图像分析和模式分类方法证明了MCI受试者存在一种细微的、分布的、结构上的模式变化，这种变化在出现临床症状之前就可以被识别和测量出来。CA1区似乎受影响更大，从海马总体积来看，它显示出更高的诊断准确性。当结果被交叉验证时，分析显示了90%的预测能力。在Davatzikos等人最近的一项研究中，使用VBM的分类精度较低（56%），这可能是因为支持向量机是针对NC和AD患者进行训练的。Misra等利用VBM分析评估103例MCI受试者的WM和GM体积，并对其进行了15个月的随访，以预测哪些个体会转化为AD，分类准确率达到了82%。然而，进展性MCI患者的数量较低(N = 27);因此，本研究的结果不能直接与其他使用ADNI图像集的研究相比较。Duchesne等人在他们的VBM分析中仅使用MTL，与其他使用全脑的研究相比，他们的结果更好(见表VII)Koikkalainen等人使用基于张力的形态测量法(TBM)对稳定型和渐进型MCI受试者进行分类。他们使用测试集上差异的统计图来选择ROI，总体准确率达到72%。然而，由于训练和测试不是完全独立的，他们的结果可能有偏差。Chetelat等人对MCI患者可能的结构变化进行了纵向评估，然后比较了非转化者和转化者之间的这些变化。有趣的是，与大多数的ROI体积研究相比，他们没有发现AD和MCI患者之间的任何海马体积差异。Chupin等人利用海马和杏仁核的自动分割技术，计算海马体积来预测MCI到AD的转换。总体分类准确率达到64%，表明整体海马体积评价可能不是一个准确的预后指标，主要是由于年轻人和老年人海马体积的变化可能会影响最终的结果。Tapiola等研究采用随访34个月的MCI患者，研究不同方法对MCI向AD转化的预测。根据MRI测量MTL(内侧颞叶)结构体积、WM病变、MMSE评分和APOE基因型。有趣的是，他们的研究结果显示，只有MTL的体积能够预测出患这种疾病的高危患者。在deToledo Morrell等人的研究中也观察到了类似的结果，他们比较了海马和内嗅皮层的体积，以确定这两个区域中哪一个可以区分稳定的和进行的受试者。结果表明海马和内嗅皮质均可预测，而内嗅皮质是最好的预测选项，其预测率为93.5%。Killiany等人研究了在评估AD的体积分析中最常用的roi，海马体和内嗅皮层。基线检查时轻度AD患者也包括在内。两两比较显示，内嗅皮质容积能够区分可能发生疾病的受试者，准确率为84%，而海马体积则不能。研究表明，在AD的临床前阶段，内嗅皮质内会发生更多的神经元变化，随着疾病的蔓延，海马内也会出现萎缩性变化。Devanand等测量了海马和内嗅皮层萎缩，以预测MCI向AD的转变。一些小样本的研究结果证明，与NC和MCI不转换的人相比，海马和内嗅皮层在MCI转化为AD时有更多的萎缩。具体来说，转换者的内嗅皮质体积比非转换器组低17%，比NC组低29%；海马体积变化分别为11%和14%。有趣的是，当这两个区域与认知得分一起使用时，预测准确率提高到87.7%。显然海马和内嗅皮层体积都有助于预测。Killiany等人发现内嗅皮层和颞上沟，包括前扣带回是预测AD转化最有用的区域。在NC和最终发展为疾病的记忆困难的受试者之间的识别准确率达到93%。在NC和最终发展成疾病的有记忆困难的受试者之间的鉴别准确率达到93%。内嗅皮层和颞上沟是最佳的鉴别区域。Querbes等在大样本患者中使用厚度指数来预测从MCI向AD的转化，并将其与基线时主要认知评分的预测值进行比较。他们的结果显示，即使在临床症状出现两年前，细微的结构变化也能被检测出来并用于预测预后，其预测值为73%。这项研究的优点是使用交叉验证程序。Bakkour等研究了可疑AD患者皮层的异常情况，试图发现哪些新皮层措施更有利于早期诊断和预测能力，结果显示，MTL(内侧颞叶)皮质厚度表现最好。在一项相似研究中，皮质厚度测量模式被用于预测AD。观察到萎缩模式随疾病进展而不同；因此，通过了解这些差异，可以提高预测准确性。有趣的是，甚至在AD诊断前36个月，海马体还不能用于预测疾病。另一方面，内嗅皮层是最先受到影响的区域，然后是海马体。在其他研究中，例如用于分析的基线数据在“转换时间”方面并不均匀，因为MCI患者会在6个月到4年的随访过程中随时转换。作者认为，这种异质性可能掩盖了AD不同亚阶段的神经退行性过程。Desikan等人的研究分辨了基线后两年内转化为AD的MCI患者，总体准确率为91%，结果表明，结构MRI可以更好地预测疾病的进展。在Vemuri等人进行的一项类似研究中，对399名受试者使用了结构MRI和CSF生物标记物，结果相似。结果表明，与脑脊液相比，结构异常指数(STAND)评分能更准确地预测转换时间。Costafreda等人使用自动程序提取三维海马形态。在他们的预测模型中，只使用了海马体，其预测性能与其他采用多区域或全脑方法的研究相比，具有可比性或优越性。这与使用其他基于非自动化技术的预测模型所达到的精度相似。与使用形态计量模式分析相似，三维形态分析对疾病预后更有利的研究的结果明显更好。此外，这项研究和其他研究表明，海马头萎缩可能是危险的早期迹象。Cuingnet等人比较了上述大多数用于分类的方法。他们从ADNI数据库中获取数据，并使用体积和形状分析、VBM和皮质厚度方法来预测AD的转换。使用支持向量机，预测准确率在58% ~ 71%之间。Wolz等人使用了ADNI队列中所有MCI人群的基线扫描。采用多种方法进行了预测，预测精度在56-68%之间。Sørensen等人试图通过图像强度统计特性的变化来检测NFTs和Aβ斑块对海马的累积效应。此外，他们还测试了海马纹理在早期认知功能衰退中的检测能力，以及纹理分析是否能够反映FDG-PET中海马葡萄糖代谢的变化。与体积相比，海马结构明显好于体积，结构的改变与葡萄糖代谢和海马体功能的降低有关。MRI结构显示的脑萎缩是评估早期AD的一个有前途的生物标志物。许多研究证明，MTL甚至在疾病的临床前阶段就出现萎缩。虽然海马体可能是评估AD最常用的结构，但内嗅皮层的早期作用已被许多研究证实。定量MRI图像处理和可视化的必要性来自于这样一个事实：人眼无法感知影响大脑结构的细微解剖变化；因此，它可以在大脑已经经历了不可逆的突触丢失之后检测到萎缩。所有的研究都认为医学图像分析在AD的评估中是必不可少的，它既可以用于受试者之间的分类，也可以用于预测MCI向AD的转化1）NC组与AD组海马和内嗅皮质的比较：总体而言，在区分NC患者和AD患者时，内嗅皮层和海马体积分类的准确性是相当的。两种结构的萎缩程度相似。此外，对于这一组，全脑方法（如VBM和皮层厚度）仍然与基于海马体的方法较多，这是因为在晚期阶段，萎缩明显。与GM VBM相比，形状分析在NC受试者和AD患者的分类上也给出了非常好的结果。2）NC组与MCI组海马和内嗅皮质的比较：海马和内嗅皮质均可用于NC和MCI患者的分类。由于内嗅皮层比海马体退化得更早，因此可以提供更好的分类。根据Gomez Isla'et al等人研究，一些内嗅皮质层即使在AD早期也会经历40%到60%的神经元减少。结果显示，在NC和MCI中，内嗅皮质的退化速度比海马体快两倍。因此，当AD患者不包括在分类组中时，建议使用内嗅皮质。与体积分析相比，形状分析似乎是一种更好的技术，其结果与基于体素的方法相似。3）MCI与AD组海马和内嗅皮质的比较：海马和内嗅皮层都能区分MCI患者和AD患者。Du等的研究。Du等人的研究表明，内嗅皮层对这一分类没有任何进一步的优势。Pennanen等人的研究。Pennanen等人的研究使用了海马体积，但当他们将内嗅皮层纳入模型时，整体分类并没有得到改善。形状分析和VBM研究似乎对NC和MCI的AD患者与AD患者的分类有相似的结果。有人认为，在疾病的晚期，萎缩更为广泛;因此，除了ROI方法外，还应考虑全脑方法。大多数研究都是在MTL区域内使用定量的MRI测量来确定受试者是否会患上这种疾病，并且结果一致认为，与海马体等其他结构相比，内嗅皮层是一个更好的预测因素。在疾病变化的预测中，将内嗅皮质和海马结合在一起进行分析时，准确率最高。与其他方法相比，VBM和皮质厚度法的准确率较低，而在使用纹理分析预测MCI到AD的转变方面“缺乏研究”。总之，内嗅皮质在MCI患者的NC分类中可以提供更好的结果，因为在疾病的早期，与海马相比萎缩更严重。对于AD患者、NC受试者和MCI受试者的辨别准确度，海马体体积测量似乎更为可取，主要是因为内嗅皮层是一个很小的区域，在萎缩时很难描绘。此外，图像伪影和/或解剖模糊会模糊内嗅皮质的边界。然而，海马体分割更为具体，它提供了更为稳健和准确的结果。另一方面，内嗅皮质是MCI向AD转化的较好预测因子。如今，除了分类之外，许多研究人员也在关注疾病的预测。根据生物标志物预测MCI受试者最终是否会转化为AD患者非常重要。Schroeter等人对40项研究的1351例患者和1097例NC进行了系统和定量的分析。目的是揭示AD及其前8期的典型神经关联，使用基于结构的生物标志物评估和预测的准确性更好。但也有研究显示，在临床症状出现前，也可以使用结构性MRI，在某些情况下，它可能比代谢标志物更准确。Marcus等人认为，疑似AD患者应进行淀粉样PET成像，因为研究表明，β斑块也可出现在非痴呆的老年人身上。在Pike等人的研究中也注意到在老年非痴呆受试者中存在β斑块。总的来说，与PET相比，结构性MRI在预测MCI向AD转化方面的有效性存在争议如今，医学图像分析已经成为一个计算丰富的过程，因为有额外的新挑战，例如，预测MCI受试者是否会转化为AD患者。这些过程包括许多复杂的步骤，使用许多不同的工具运行在越来越大的数据集上。从本文的分析看，在分类中最具挑战性的任务是NC和MCI之间的分类,大部分的研究的分类精度的比其他组的分类精度更低。如果影像学生物标志物与临床评价不相关，那么它们就没有意义。两者的结合提供了更好的预测精度。还需要指出的是，结合体积、厚度、形状、强度和纹理对疾病进行多变量评估的研究非常少，这可能会形成更好的分类和预测精度。与其他方法相比，纹理分析的使用，尤其是三维纹理分析，目前对于AD的评估也是非常有限的。一些最好的分类精度是通过纹理特征得到的，在AD的评估中需要更多的研究。AD评估的研究主要涉及t1加权像的体积。然而，还有其他一些MRI图像，如弥散加权成像MRI和弥散张量成像，尚未在大型队列研究中进行研究。最后，深度学习是医学图像分析的新趋势，正成为许多研究的方法论选择。深度学习算法也已经开始大量用于AD的分割、配准和分类等任务的评估。定量MRI对AD的评估、评估和治疗有着重要的影响，尤其是当本文所述的方法将很快从实验阶段进入临床。同样，定量磁共振成像生物标记物也将有助于痴呆症的鉴别诊断。
