طبقه‌بندي بيماري پاركينسون بر مبناي شاخص‌هاي درون‌ناحيه‌اي و بين ناحيه‌اي شبكه حركتي مغز با استفاده از دادگان fMRI حالت استراحت

Classification of Parkinson Disease Based on Inter- and Intra-Regional Biomarkers of the Brain Motor Network Using Resting State fMRI Data

بيماري پاركينسون يك اختلال عصبي پيش رونده است كه با علايم باليني ترمور، سفتي عضلات و كندي حركت مشخص مي شود. تحقيقات اخير در بررسي فعاليت مغز انسان با استفاده از دادگان تصويربرداري تشديد مغناطيسي عملكردي(fMRI) نشان مي دهد كه در حالت استراحت شبكه اي از ارتباطات و فعاليت به‌صورت نوسانات خود به خودي در نواحي مختلف مغز وجود دارد كه در بيماري‌هاي مختلف تحت تاثير قرار مي گيرند. در اين مقاله روش‌هاي دامنه نوسانات فركانس پايين (ALFF) و آناليز همگني ناحيه اي (ReHo) جهت استخراج شاخص‌هاي درون‌ناحيه اي و آناليز همبستگي متقابل (CCA) جهت استخراج شاخص هاي بين ناحيه اي در نواحي آناتوميكي حركتي مورد استفاده قرار مي گيرند. با توجه به نتايج روش CCA، مدلي از شبكه ارتباطات عملكردي در افراد سالم و بيماران پاركينسوني ارايه شده است. نتايج مقايسه دو شبكه نشان مي دهد كه در بيماران پاركينسوني ارتباطات منفي معناداري بين مخچه و هسته هاي قاعده اي برقرار است، درحالي‌كه اين ارتباطات در افراد سالم ضعيف و غيرمعنادار است. همچنين ميانگين مقادير ALFF و ReHo به‌عنوان شاخص هاي درون‌ناحيه اي به‌همراه شاخص هاي بين ناحيه اي به‌عنوان ورودي طبقه بندي‌كننده استفاده شده اند. نتايج خوشه بندي بر مبناي متمايزكننده-ترين ويژگي‌ها دقت 85%، مشخصه امتياز 89% و مشخصه جكارد 75% را نشان مي دهد. ما همچنين دريافتيم كه در بيماران پاركينسوني شاخص هاي بين ناحيه اي مغز بيشتر از شاخص هاي درون‌ناحيه اي تحت تاثير قرار مي گيرند و متمايزكننده ترين ويژگي بين افراد سالم و پاركينسونيسم همبستگي بين مخچه و پوتامن در نيمكره چپ است.

Parkinson’s disease (PD) is a progressive neurological disorder characterized by tremor, rigidity, and slowness of movement. Recent studies on the brain function show that there are spontaneous fluctuations between separated regions at rest, known as resting state network, affected in various disorders. In this paper, we used amplitude of low frequency fluctuation (ALFF) approach for study of intra-regional characteristics and cross-correlation analysis (CCA) for quantifying inter-regional relationship between anatomical regions. We presented functional connectivity networks of the healthy and PD groups based on the results of CCA. By comparing two networks, we conclude some points. Firstly, the activity of cerebellum and basal ganglia areas had a significant negative correlation in PD patients, while this relationship is weak and non-significant in the healthy. We also used mean values of ALFF and ReHo as intra-region biomarkers. These features together with inter-region characteristics are used in discriminative analysis for classification PD and healthy. The result showed 85% accuracy in clustering. In addition, the score index is 89% and Jaccard coefficient of this clustering is 75%. We found that inter-regional features (CCA) were more significant than intra-regional features (ALFF) and functional connectivity between left cerebellum and left putamen was the best discriminator between PD and control.