基于 DTI 的 AD 诊断新突破：SIFT 和 SURF 特征助力早期精准识别

《Scientific Reports》：Classification method based on surf and sift features for alzheimer diagnosis using diffusion tensor magnetic resonance imaging

研究人员利用扩散张量成像（DTI）数据，基于 SIFT 和 SURF 特征构建 AD 诊断框架，结果良好，助力早期诊断。

　　阿尔茨海默病（Alzheimer’s disease，AD），这一慢性进行性神经退行性疾病，正如同一场悄无声息的 “大脑危机”，在全球范围内肆意蔓延。2015 年，它在美国的死因排行榜上位列第六，全球近 4400 万人深受其害，并且专家预测到 2050 年，患病人数将翻倍。AD 的早期症状隐匿，常在 30 - 60 岁就可能悄然出现，从最初不易察觉的记忆问题，逐渐发展到轻度认知障碍（Mild Cognitive Impairment，MCI）阶段，患者记忆和认知功能明显下降，尽管还能勉强维持日常活动，但这一阶段可能持续 20 - 30 年。随着病情恶化，最终会进入严重阶段，导致死亡。

面对 AD 如此严峻的形势，早期诊断就成为了对抗它的关键 “武器”。传统的T1?和T2?加权磁共振成像（MRI）虽然能观察到大脑宏观结构的萎缩，却对大脑组织纤维、轴突和细胞边界等微观结构的细微变化 “视而不见”。而扩散张量成像（Diffusion Tensor Imaging，DTI）技术的出现，为捕捉这些隐藏的微观改变带来了希望，有望开启 AD 早期诊断的新篇章。

在此背景下，来自埃及电子研究学会计算机与系统系、埃及英国大学机电工程系以及开罗大学系统与生物医学工程系的研究人员，开展了一项极具意义的研究。他们提出了一种基于 DTI 数据的计算机辅助诊断（Computer-Aided Diagnosis，CAD）框架，利用尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）和加速稳健特征（Speeded Up Robust Features，SURF）描述符，结合词袋（Bag of Words，BoW）方法，构建 AD 特异性特征，以实现对 AD 的精准诊断。该研究成果发表在《Scientific Reports》上。

研究人员在开展研究时，使用了多个关键技术方法。数据来源于阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative，ADNI）数据库，选取了 96 名参与者，包括 35 名 AD 患者、31 名认知健康的老年人（Normal Controls，NC）以及 30 名 MCI 患者（其中早期 MCI 患者 6 名，晚期 MCI 患者 24 名）。对这些参与者的 DTI 数据，研究人员运用 FSL 工具包进行预处理，包括噪声衰减、颅骨剥离、扩散张量计算、空间归一化和感兴趣区域（Region of Interest，ROI）分割等步骤，重点提取海马体区域的数据。之后，利用 SIFT 和 SURF 描述符提取视觉特征，通过 BoW 模型构建 “视觉词汇”，形成体积特征直方图。最后，采用基于 Fisher Score 的特征选择方法进行降维，运用支持向量机（Support Vector Machine，SVM）结合径向基函数（Radial Basis Function，RBF）核进行分类，并通过受试者工作特征曲线（Receiver Operating Characteristic Curve，ROC）评估分类系统性能。

在研究结果部分，研究人员进行了多方面的分析。

1. 基于 SURF 特征的分类性能：在多分类实验中，单独使用径向扩散率（Radial Diffusivity，RD）图时，准确率达到 61%，优于分数各向异性（Fractional Anisotropy，FA）图（43%）和平均扩散率（Mean Diffusivity，MD）图（51.4%）；在二分类实验中，对于 AD 与 MCI 的区分，RD 图准确率为 63%，MD 图在 AD 与 NC 的区分中表现最佳，准确率达 77% ，在 MCI 与 NC 的区分中，MD 图也给出了最好的结果，准确率为 75%。特征融合后，多分类准确率提升至 66%，二分类中 AD 与 MCI 的准确率提升至 68%。决策融合也在一定程度上提高了系统性能。
2. 基于 SIFT 特征的分类性能：使用 SIFT 特征时，RD 图在多分类和二分类中均表现出色。多分类中，RD 图准确率为 89%，高于 FA 图（87.4%）和 MD 图（87.5%）；在二分类中，对于 AD 与 MCI、AD 与 NC、MCI 与 NC 的区分，RD 图的准确率分别达到 93.7%、98.5% 和 95%。特征融合进一步提升了性能，多分类准确率提高到 95.2%，二分类中 AD 与 MCI 的准确率提升至 96.4%，MCI 与 NC 的准确率提升至 96.2%。
3. 其他评估指标：从执行时间来看，RD 图单独使用时执行时间最短，为 112.5 秒，特征融合为 321.7 秒，决策融合最长，为 483.7 秒。在系统稳健性方面，FA 和 RD 图比 MD 图更具优势，特征融合增强了系统的稳健性。

综合研究结果和讨论部分，该研究取得了重要成果。研究提出的系统在 AD 诊断方面展现出了较高的准确性，基于 FA 图 SIFT 视觉特征，区分 MCI、AD 和 NC 的准确率可达 89%，区分 AD 与 NC 的准确率为 91%。多分类方法拓展了研究的深度和广度，不再局限于简单的二分类比较。特征级和决策级融合显著提升了分类性能，多分类准确率达到 95%，MCI 与 NC 的区分准确率达到 96%。RD 图作为一种此前较少被研究的指标，单独使用时准确率达 86%，与其他图融合后对提升准确率贡献显著。这一研究成果为 AD 的早期诊断提供了新的思路和方法，利用此前未充分利用的 RD 图和特征融合技术，有效捕捉大脑萎缩等变化，有望推动 AD 早期诊断技术的发展，为患者的治疗争取宝贵时间，改善患者的生活质量和预后。不过，研究也存在一定局限性，如未充分控制所有潜在混杂变量，后续研究可从控制性别影响、分析扫描仪变异性、探索更多感兴趣区域、对比其他先进方法等方向展开，进一步完善 AD 诊断研究体系。