We classify very-mild to moderate dementia in patients (CDR ranging from 0 to 2) using a support vector machine classifier acting on dimensionally reduced feature set derived from MRI brain scans of the 416 subjects available in the OASIS-Brains dataset. We use image segmentation and principal component analysis to reduce the dimensionality of the data. Our resulting feature set contains 11 features for each subject. Performance of the classifiers is evaluated using 10-fold cross-validation. Using linear and (gaussian) kernels, we obtain a training classification accuracy of 86.4% (90.1%), test accuracy of 85.0% (85.7%), test precision of 68.7% (68.5%), test recall of 68.0% (74.0%), and test Matthews correlation coefficient of 0.594 (0.616).
Dementia Severity Classification under Small Sample Size and Weak Supervision in Thick Slice MRI
Sharif University of Technology（谢里夫理工大学）；Iranian Brain Mapping Biobank（伊朗脑图谱生物库）；National Brain Mapping Laboratory（国家脑图谱实验室）；Virtual University of Medical Sciences（虚拟医科大学）
NeuroBridge: Bridging Multi-Task MRI Knowledge for Neurodegenerative Disease Diagnosis
Department of Mechanical Engineering, Boston University（波士顿大学机械工程系）；The Photonics Center, Boston University（波士顿大学光子中心）；Rafik B. Hariri Institute for Computing and Computational Science & Engineering, Boston University（波士顿大学拉菲克·B·哈里里计算与计算科学与工程研究所）；Department of Radiology, Boston University Chobanian & Avedisian School of Medicine（波士顿大学切博尼亚与阿维迪亚安医学学院放射科）；Department of Radiology, Boston Medical Center（波士顿医学中心放射科）；Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系）；Department of Biomedical Engineering, Boston University（波士顿大学生物医学工程系）；Division of Materials Science and Engineering, Boston University（波士顿大学材料科学与工程系）
Early Prediction of Alzheimer's Disease Dementia Based on Baseline Hippocampal MRI and 1-Year Follow-Up Cognitive Measures Using Deep Recurrent Neural Networks
Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
Introducing DEFORMISE: A deep learning framework for dementia diagnosis in the elderly using optimized MRI slice selection
International Hellenic University（国际希腊大学）；MetaMind Innovations；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Kingston University London（伦敦金斯顿大学）；University of Western Macedonia（西马其顿大学）
CompressedMediQ: Hybrid Quantum Machine Learning Pipeline for High-Dimensional Neuroimaging Data
Imperial College London（帝国理工学院）；Centre for Quantum Engineering, Science and Technology (QuEST), Imperial College London（帝国理工学院量子工程、科学与技术中心）；Taipei Medical University Hospital（台北医学大学附设医院）；Taipei Medical University（台北医学大学）；National Synchrotron Radiation Research Center（国家同步辐射研究中心）；National Taiwan University（台湾大学）；Hon Hai Research Institute（鸿海研究院）；National Defense Medical Center（国防医学院）
Federated Fine-tuning of SAM-Med3D for MRI-based Dementia Classification
Dept. of Radiology \& Nuclear Medicine, Erasmus MC, Rotterdam, the Netherlands The Hong Kong University of Science；Technology, Hong Kong SAR Dept. of Neurology, Erasmus MC, Rotterdam, the Netherlands Dept. of Neurology, UMC Utrecht, Utrecht, the Netherlands Dept. of Geriatrics, Radboud UMC, Nijmegen, the Netherlands Dept. of Neurology, Leiden UMC, Leiden, the Netherlands Dept. of Internal Medicine, UMC Groningen, Groningen, the Netherlands Dept. of Neurology, Amsterdam UMC location VUmc, Amsterdam, the Netherlands Dept. of Psychiatry \& Psychology, Maastricht UMC, Maastricht, the Netherlands
Diffusion Bridge Networks Simulate Clinical-grade PET from MRI for Dementia Diagnostics
Lab for AI in Medical Imaging, Institute for Diagnostic and Interventional Radiology, School of Medicine and Health（人工智能在医学影像中的实验室，诊断与介入放射学研究所，医学院与健康学院）；Technical University of Munich (TUM)（慕尼黑技术大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；University Medical Center Hamburg-Eppendorf（汉堡-埃本达大学医学中心）；Department of Neuroradiology, TUM University Hospital, School of Medicine and Health（神经放射学部，慕尼黑技术大学医院，医学院与健康学院）；Department of Neurology, TUM University Hospital, School of Medicine and Health（神经病学部，慕尼黑技术大学医院，医学院与健康学院）
A Novel Solution of an Elastic Net Regularization for Dementia Knowledge Discovery using Deep Learning
Charles Sturt University（查尔斯特大学）；Al Iraqia University（伊拉克大学）；University of Western Sydney（西悉尼大学）；Kent Institute Australia（澳大利亚肯特学院）；Asia Pacific International College（亚太国际学院）；University of Kurdistan Hewler（库尔德斯坦赫勒大学）；AL Nisour University College（阿尔尼苏尔大学学院）
Adaptive Critical Subgraph Mining for Cognitive Impairment Conversion Prediction with T1-MRI-based Brain Network
University of Science and Technology of China（中国科学技术大学）；Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences（中国科学院苏州生物医学工程技术研究所）；University of Electronic Science and Technology of China（电子科技大学）
Cross-Cohort Generalizability of Deep and Conventional Machine Learning for MRI-based Diagnosis and Prediction of Alzheimer's Disease
Erasmus MC（伊拉斯谟医学中心）；Maastricht University Medical Center（马斯特里赫特大学医学中心）；University Medical Center Groningen（格罗宁根大学医学中心）；University Medical Center Utrecht（乌得勒支大学医学中心）；Radboud University Medical Center（拉德堡德大学医学中心）；Leiden University Medical Center（莱顿大学医学中心）；Leiden University（莱顿大学）
DIVE: A spatiotemporal progression model of brain pathology in neurodegenerative disorders
University College London（伦敦大学学院）；Inria（法国国家信息与自动化研究所）；Université Côte d'Azur（蔚蓝海岸大学）
在这里，我们提出了DIVE：数据驱动的顶点进化推理。DIVE是一种基于图像的疾病进展模型，具有单顶点分辨率，旨在从短期纵向数据集重建大脑病理学的长期模式。DIVE对在患者群体中具有类似时间动态的皮质表面上的逐顶点生物标志物测量进行聚类，并且同时估计每个聚类中的顶点测量的平均轨迹。DIVE独特地将皮质分割成具有共同进展模式的区域，从而为个体疾病提供新的签名。DIVE进一步估计每个受试者每次访视的疾病分期和进展速度，可能增强临床试验或管理的分层。在模拟数据上，DIVE可以恢复地面实况集群及其底层轨迹，前提是集群之间的平均轨迹有足够的差异。我们证明了DIVE的数据来自两个队列：阿尔茨海默病神经影像学倡议（ADNI）和痴呆症研究中心（DRC），英国，包含患者与后皮质萎缩（PCA）以及典型的阿尔茨海默病（tAD）。DIVE在两个独立的数据集（ADNI和DRC）中发现了tAD受试者的萎缩的相似空间模式，并进一步揭示了不同疾病（tAD vs PCA）和不同类型生物标志物数据的不同病理模式：来自磁共振成像（MRI）的皮质厚度vs来自正电子发射断层扫描（PET）的淀粉样蛋白负荷。最后，DIVE可用于使用任何种类的逐体素或逐顶点测量（包括雅可比压缩图、来自扩散成像的分数各向异性（FA）图或其他PET测量）来估计脑中病理的细粒度空间分布。DIVE源代码可在线获得：https://github.com/m…
Evaluating the Generalization of Neuroimaging Foundation Models on African Brain MRI
Shenyang Medical College（沈阳医学院）；University of Ibadan（伊巴丹大学）；University of Ghana（加纳大学）；Obafemi Awolowo University（奥巴费米·阿沃洛沃大学）；Kwame Nkrumah University of Science and Technology（夸梅·恩克鲁玛科技大学）
H-SynEx: Using synthetic images and ultra-high resolution ex vivo MRI for hypothalamus subregion segmentation
Universidade Estadual de Campinas（坎皮纳斯州立大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；University College London（伦敦大学学院）；Brunel University London（布鲁内尔伦敦大学）；Massachusetts Institute of Technology（麻省理工学院）
The reliability of a deep learning model in clinical out-of-distribution MRI data: a multicohort study
Karolinska Institutet（卡罗林斯卡医学院）；Karolinska University Hospital（卡罗林斯卡大学医院）；Stavanger University Hospital（斯塔万格大学医院）；University of Stavanger（斯塔万格大学）；University of Brescia（布雷西亚大学）；Masaryk University（马萨里克大学）；St. Anne’s Hospital（圣安妮医院）；University G d’Annunzio of Chieti-Pescara（基耶蒂-佩斯卡拉加布里埃莱·邓南遮大学）
PIPNet3D: Interpretable Detection of Alzheimer in MRI Scans
University of Pisa（比萨大学）；Fondazione Toscana G Monasterio（托斯卡纳G.莫纳斯特里奥基金会）；University of Marburg（马尔堡大学）；University of Mannheim（曼海姆大学）；University Hospital Marburg（马尔堡大学医院）；Datacation
Age-Net: An MRI-Based Iterative Framework for Brain Biological Age Estimation
Institute of Signal Processing and System Theory, University of Stuttgart（斯图加特大学信号处理与系统理论研究所）；Visualization Research Center, University of Stuttgart（斯图加特大学可视化研究中心）；Department of Diagnostic and Interventional Radiology, University Hospital Tübingen（蒂宾根大学医院诊断与介入放射科）；Empirical Inference Department, Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所实证推理部）
NeuroAPS-Net: Neuro-Anatomically Aware Point Cloud Representation for Efficient Alzheimer's Disease Classification
1 ICS Department, King Fahd University of Petroleum \& Minerals, Dhahran, Saudi Arabia；2 SDAIA-KFUPM JRC for AI, King Fahd University of Petroleum \& Minerals, Dhahran, Saudi Arabia；Machines, King Fahd University of Petroleum \& Minerals, Dhahran, Saudi Arabia
Improving 3D convolutional neural network comprehensibility via interactive visualization of relevance maps: Evaluation in Alzheimer's disease
German Center for Neurodegenerative Diseases (DZNE)（德国神经退行性疾病中心）；University of Rostock（罗斯托克大学）；Charité – Universitätsmedizin Berlin（夏里特医学院）；University Hospital Bonn（波恩大学医院）；Ludwig Maximilian University（慕尼黑大学）；Rostock University Medical Center（罗斯托克大学医学中心）；Georg-August-University（哥廷根大学）；Otto-von-Guericke University（奥托·冯·古里克大学）；Bernstein Center for Computational Neuroscience（伯恩斯坦计算神经科学中心）；Hertie Institute for Clinical Brain Research（赫蒂临床脑研究所）；University of Tuebingen（图宾根大学）；University of Cologne（科隆大学）；Darmstadt University of Technology（达姆施塔特工业大学）；Imperial College London（伦敦帝国理工学院）；Technical University Munich（慕尼黑工业大学）；University Medical Center Goettingen（哥廷根大学医学中心）；Leibniz Institute for Neurobiology（莱布尼茨神经生物学研究所）；University of Toronto（多伦多大学）；University of Aveiro（阿威罗大学）
背景资料：尽管卷积神经网络（CNN）基于磁共振成像（MRI）扫描实现了用于检测阿尔茨海默病（AD）痴呆的高诊断准确性，但它们尚未应用于临床常规。其中一个重要原因是缺乏模型的可理解性。最近开发的用于导出CNN相关性图的可视化方法可能有助于填补这一空白。我们研究了具有更高准确度的模型是否也更多地依赖于由先验知识预定义的区分性大脑区域。研究方法：我们训练了一个CNN，用于在N=663例痴呆和遗忘型轻度认知障碍（MCI）患者的T1加权MRI扫描中检测AD，并通过交叉验证和包括N=1655例病例的三个独立样本验证了模型的准确性。我们评估了相关性分数和海马体积的相关性，以验证这种方法的临床实用性。为了提高模型的可理解性，我们实现了3D CNN相关图的交互式可视化。结果如下：在三个独立的数据集中，组分离显示AD痴呆与对照组相比具有高准确性（AUC $\geq$ 0.92），MCI与对照组相比具有中等准确性（AUC $\approx$ 0.75）。相关图表明，海马萎缩被认为是AD检测的最具信息性的因素，其他皮质和皮质下区域的萎缩也有贡献。海马内的相关性分数与海马体积高度相关（Pearson r $\approx$-0.86，p<0.001）。结论：相关图突出显示了我们事先假设的区域萎缩。这增强了CNN模型的可理解性，这些模型是基于扫描和诊断标签以纯数据驱动的方式进行训练的。
Accuracy of MRI Classification Algorithms in a Tertiary Memory Center Clinical Routine Cohort
AP-HP（巴黎公立医院集团）；Hôpital de la Pitié-Salpêtrière（皮蒂-萨尔皮特里医院）；Sorbonne Universités（索邦大学）；UPMC Univ Paris 06（巴黎第六大学（皮埃尔和玛丽·居里大学））；Inserm（法国国家健康与医学研究院）；CNRS（法国国家科学研究中心）；ICM（脑与脊髓研究所）；Inria（法国国家信息与自动化研究所）；Laboratoire Bordelais de Recherche en Informatique（波尔多计算机科学实验室）；Brainreader；AXA Research Fund（安盛研究基金）；Pierre et Marie Curie University（皮埃尔和玛丽·居里大学）
Modality Contribution Score - A Per-Patient Framework for Quantifying the Relative Diagnostic Contribution of Structural MRI and Amyloid PET in Alzheimer's Disease
Taipei Medical University（台北医学大学）；University of Memphis（孟菲斯大学）；Chitkara University（奇特卡拉大学）；University College London（伦敦大学学院）；UPES（石油与能源研究大学）；University of Eastern Finland（东芬兰大学）；CNRS（法国国家科学研究中心）；University Bordeaux（波尔多大学）；Bordeaux INP（波尔多国立理工学院）
Semi-disentangled spatiotemporal implicit neural representations of longitudinal neuroimaging data for trajectory classification
Biomedical Engineering Graduate Program, University of Calgary, Calgary, Canada（卡利告大学生物医学工程研究生项目）；Department of Radiology, University of Calgary, Calgary, Canada（卡利告大学放射科）；Department of Radiology, University of Michigan, Ann Arbor, United States（密歇根大学放射科）
A Generalizable Feature Extractor for Alzheimer's-Related Brain MRI Tasks
McConnell Brain Imaging Centre, Montreal Neurological Institute, McGill University（麦吉尔大学蒙特利尔神经学研究所麦康奈尔脑成像中心）；Department of Biomedical Engineering, McGill University（麦吉尔大学生物医学工程系）
Cyclic 2.5D Perceptual Loss for Cross-Modal 3D Medical Image Synthesis: T1w MRI to Tau PET
Department of Artificial Intelligence, Hanyang University, Seoul, South Korea（人工智能系，翰阳大学，首尔，韩国）；Department of Electronic Engineering, Hanyang University, Seoul, South Korea（电子工程系，翰阳大学，首尔，韩国）；Division of Computer Engineering, Hankuk University of Foreign Studies, Yongin, South Korea（计算机工程系，韩国外语大学， Yongin，韩国）；Division of AI Data Convergence, Hankuk University of Foreign Studies, Yongin, South Korea（AI数据融合系，韩国外语大学， Yongin，韩国）；Division of Language & AI, Hankuk University of Foreign Studies, Seoul, South Korea（语言与AI系，韩国外语大学，首尔，韩国）
