针对阿尔茨海默病早期诊断的11C-PiB PET图像感兴趣脑区研究

Carbon 11-labeled Pittsburgh compound B PET (11C-PiB PET) for Amyloid-β (Aβ) peptide imaging is an advanced technology to diagnose Alzheimer’s disease (AD) in early stage. Lacking clear Regions of Interest (ROIs) is a key clinical requirement when implementing 11C-PiB PET technology, which results in difficulties to diagnose AD and track patients’ conditions. Existing ROIs identification methods for PET images, such as T test and Z statistic, have following theoretical limitations: (1) they cannot reflect the correlations of Aβ peptide among different brain areas; (2) they cannot overcome the influence of age factor for Aβ peptide. Hence, this project proposes brain network method to identify ROIs of 11C-PiB PET images; studies advantages and disadvantages of brain network method in considering the correlations among different brain areas and age correction; achieves ROIs and validates them. The outputs of this project are expected to provide new ROIs’ model, which is to aid radiologists to diagnose AD better in early stage.

碳11-匹兹堡化合物B(11C-PiB) PET是针对β-淀粉样蛋白（Aβ）显像的最新技术，临床用于早期诊断阿尔茨海默病(AD)。但是，缺少明确的参考感兴趣脑区（ROIs）是该技术在AD早期诊断应用过程中亟待解决的瓶颈问题，导致医生诊断困难，无法客观追踪病情。针对传统PET图像ROIs定位方法,例如T检验与Z值统计模型等(1)无法考虑不同脑区Aβ沉淀的关联；(2)无法消除年龄等个体样本差异对Aβ沉淀影响的两点理论不足，本项目提出基于脑网络分析的11C-PiB PET图像ROIs定位方法，研究脑网络分析方法在考虑脑区间关联性和消除年龄对Aβ沉淀影响方面的优劣，获取ROIs并验证其在AD早期诊断中的临床意义。研究结果有望为医生提供新的11C-PiB PET图像ROIs模型，帮助医生更好地进行AD早期诊断。

碳11-匹兹堡化合物B(11C-PiB) PET是针对β-淀粉样蛋白（Aβ）显像的最新技术，缺少明确的参考感兴趣脑区（ROIs）是该技术在阿尔茨海默病(AD)早期诊断应用过程中亟待解决的瓶颈问题。本课题提出基于图论的脑网络分析定位11C-PiB PET 图像ROIs 这一新思路，实现相关脑网络计算流程与规范，并开发相应软件工具。本课题研究结果表明，相较正常组，AD组患者背外侧额上回(SFGdor.L)，楔叶(CUN.L)和右侧尾状核(CAU.R)脑区呈现差异性。与其他文献现有的ROIs相比，这些区域不易受年龄影响。进而，基于这三个ROIs的机器学习、深度学习、影像组学分类实验均表明上述脑区可作为影像学标志物对AD病人进行诊断，且分类结果高于全脑分类结果。作为结论，课题最终回答了申请书中提出的关键科学问题：基于图论的脑网络分析方法可用于11C-PiB PET 图像ROIs 定位，弥补传统方法的理论缺陷。