阿尔茨海默病DTI网络参数与AVLT量表评分的相关性分析
摘要： 在本研究中，我们提出了一种全新的AD分析方法。首先在一种新的分割图谱的基础上建立全脑网络，并计算全局图理论参数来评价全脑的特征。然后基于全脑网络提取特定脑区域的图论参数。最后采用神经心理学量表，分析特定区域的图论参数与量表得分的相关性。 我们的结果说明了神经影像学数据与神经心理评分之间的联系，为AD患者临床表现与脑生理损伤之间的潜在联系提供了合理的解释。
I. INTRODUCTION
考虑到目前对AD诊断的研究主要集中在神经影像学或神经心理学方面，因此进一步全面解释AD的发病机制是不可行的。因此，根据目前AD的诊断标准，将神经影像学数据与神经心理评分相结合，可以比单纯的神经影像学或神经心理数据更好的识别AD的特征。神经心理学主要研究对象的具体心理过程和行为，临床诊断采用神经心理学评价量表。例如，听觉言语学习测试(AVLT)是应用最广泛的神经心理学量表之一。The existing research mainly focus on neuroimaging or neuropsychological data alone, while the connection between clinical behavioral characteristics and neuroimaging features of subjects is still unclear。
我们结合神经影像学数据和神经心理学评分来研究临床特征和生理脑损伤之间的联系。首先，通过对DTI的分析，构建整个脑网络，计算全局图的理论参数。然后采用AVLT量表对受试者的情景记忆进行测试，重新组织相应的量表得分。接下来，我们选择与情景记忆密切相关的大脑区域，提取它们的图形理论参数。最后定量分析了区域尺度分数与图论参数的相关性。同时，与广泛使用的自动解剖标记(automated解剖marker, AAL)将解剖MRI分割成不同区域相比，本研究采用了一种基于多altas似然融合(multi -altas likelihood fusion, MALF)算法的脑分割方法，该方法被证明具有提高脑包准确性[14]的潜力。总的来说，基于我们的研究结果，我们提出了一种新的AD分析方法，并对受试者的临床行为提供了科学的解释。
II. METHODOLOGY
A. Subjects
The study sample consists of 29 AD patients and 30 NC.
B. StructureParcellationandWhole-brainNetwork Building
然后,每个检测解剖每一对节点之间的连接被认为是一个优势,一个135×135矩阵获得代表整个大脑白质纤维连接网络。
C. ROIExtractionandStatisticalAnalysis
根据上述文献，我们提取了被证明与情景记忆和回忆高度相关的两个脑半球的4个脑区作为ROI。然后计算ROI和整个脑的图论参数，并进行相应的检验。
III. RESULTS
IV. DISCUSSION
基于AD疾病分析DTI数据和量表的相关性。
[reference] The Correlation Analysis Between DTI Network Parameters and AVLT Scale Scores of Alzheimer 's Diseas