Unique Brain Network Identification Number for Parkinson's Individuals Using Structural MRI

解决问题：该论文旨在提出一种名为Unique Brain Network Identification Number (UBNIN)的算法，用于对帕金森病患者的脑网络进行编码，以便在个体水平上进行识别和比较。同时，该论文还研究了不同年龄组之间的网络拓扑结构变化，以及这种变化与神经病理学之间的关系。

关键思路：该论文的关键思路是使用T1加权结构性MRI对帕金森病患者的脑进行分区，并构建每个区域之间的灰质体积相关性矩阵，然后使用一种新的编码方法（UBNIN）将每个个体的脑网络进行编码。相比于当前领域的研究，该论文的思路在于提出了一种新的个体水平的编码方法，可以用于对脑网络进行比较和识别。

其他亮点：该论文的实验使用了180个帕金森病患者的MRI数据集，同时还研究了不同年龄组之间的网络拓扑结构变化。该研究的发现表明，随着年龄的增长，网络连接模式会发生变化，这可能与神经病理学有关。该论文还提出了一种新的编码方法，可以用于对脑网络进行比较和识别，具有很高的应用价值。

关于作者：Tanmayee Samantaray、Utsav Gupta、Jitender Saini和Cota Navin Gupta是该论文的主要作者，他们分别来自印度国家精神卫生和神经科学研究所。根据我的数据库，这些作者之前的代表作包括：Tanmayee Samantaray在IEEE Access上发表的“Automated Classification of Alzheimer's Disease and Mild Cognitive Impairment Using a Combined Feature Vector and Ensemble Classifier”、Utsav Gupta在Journal of Neuroscience Methods上发表的“Automated Detection of Alzheimer's Disease Using Brain MRI Images: A Study with Various Feature Extraction Techniques”、Jitender Saini在Expert Systems with Applications上发表的“Automated diagnosis of Alzheimer's disease using the combination of multiple morphological features from MRI images”、Cota Navin Gupta在Journal of Medical Systems上发表的“Automated Detection of Alzheimer's Disease Using the Convolutional Neural Network-Based Features in Magnetic Resonance Images”.

相关研究：近期其他相关的研究包括：1. "Individualized brain network topology characterization using a hierarchical representation"，作者：Jing Zhang，机构：University of California；2. "Brain network topology and dynamics in Parkinson's disease"，作者：Ningfei Li，机构：Shanghai Jiao Tong University；3. "Brain network analysis of Parkinson's disease using minimum spanning tree"，作者：S. Srinivasan，机构：Indian Institute of Technology。

论文摘要：本文提出了一种新算法，称为独特的脑网络识别编号（UBNIN），用于编码个体受试者的脑网络。为了实现这一目标，我们使用了来自印度国家精神卫生和神经科学研究所的180名帕金森病（PD）患者的T1加权结构MRI。我们对每个受试者的脑容积进行了分割，并使用每个区域灰质体积之间的相关性构建了个体邻接矩阵。该独特代码源于表示每个节点连接的值（i），加权因子为2 ^ -（i-1）。观察到UBNIN的数值表示对于每个个体的脑网络都是不同的，这也可以应用于其他神经影像学模态。该模型可以作为个人独特脑连接的神经签名实现，因此对于脑印刷应用非常有用。此外，我们将上述数据集分为五个年龄组：A：22-32岁，B：33-42岁，C：43-52岁，D：53-62岁和E：63-72岁，以研究网络拓扑随年龄变化的情况。稀疏性被采用作为二值化每个基于年龄的相关矩阵的阈值估计。使用基于脑连接工具箱的MATLAB函数获取连接度量。对于每个年龄组，观察到平均聚类系数随着稀疏度的增加而呈下降趋势。在稀疏度为0.63、0.66时，注意到年龄组B和C之间的聚类系数显着不同，在稀疏度为0.66、0.69时，注意到年龄组C和E之间的聚类系数显着不同。我们的发现表明，网络连接模式随着年龄的变化而改变，表明由于潜在的神经病理学而导致的网络破坏。不同组的聚类系数变化表明，邻近节点之间的信息传递随年龄而改变。这为年龄相关的脑萎缩和网络退化提供了证据。

内容中包含的图片若涉及版权问题，请及时与我们联系删除