基于稀疏表示的精神分裂症生物标记物筛选方法

精神分裂症是以思维、情感与行为的分裂为主要特征的一类复杂精神疾病,国内外大量研究发现遗传因素是该疾病发生的重要原因。为了能够从大量影像学和遗传学数据中找出精神分裂症相关的生物标记物,受稀疏表示的启发,提出一种基于稀疏表示的影像遗传学数据整合分析方法,并应用于对精神分裂症相关生物标记物的筛选。针对从208 个样本中提取到的41 236组fMRI和722 177组SNP数据,通过对传统稀疏表示模型施加广义惩罚限制,然后对两类数据施加不同的权重因子α₁、α₂,并且使用不同的L_p(p=0、0.5、1)范数对模型分别求解,研究不同条件下两类数据的显著关联特征规律。结果发现,基因DAOA和HTR2A在下列多重情况下均被筛选出:一是fMRI数据的权重α₁取0.35～0.8之间多个不同权重时,二是SNP数据的权重α₂仅为0.2时,三是在L₀、L_0.5、L₁等3种不同范数下。此外,在影像学数据方面,发现顶下缘角回脑区也与精神分裂症相关,此发现与先前精神分裂症的影像学研究结果一致。研究结果表明,将基于稀疏表示的影像遗传学数据整合分析方法应用于精神分裂症的生物标记物筛选是一个可行的方法,这为今后精神分裂症的影像遗传学研究提供了一种新的研究思路。     

精神分裂症的影像遗传学方法研究

近年来随着神经影像技术和基因检测技术的发展,影像遗传学的研究有助于理解精神疾病易感基因对脑功能或结构的影响。该研究首先结合精神分裂症的背景,介绍了影像遗传学的研究进展,然后对影像遗传学方法多模态典型相关分析、联合独立成分分析、并行独立成分分析和基于稀疏表示的变量选择方法的基本原理和特点进行了归纳总结,随后阐述了有关精神分裂症的最新研究进展,最后对影像遗传学的未来研究发展进行了展望。     

基于并行独立成分分析方法研究精神分裂症的影像遗传学特征

近年来影像遗传学领域的发展,为精神分裂症的研究开启了新的方向。该文运用并行独立成分分析方法处理63个受试者的fMRI数据和SNP数据,通过在两种数据类型之间增加约束项,提取与精神分裂症相关的独立成分。研究结果显示,一个fMRI成分和一个SNP成分之间的相关性最大, fMRI成分主要包括楔前叶、舌回、楔叶脑区, SNPs主要在CHRNA7和DISC1等基因中。同时,该fMRI成分和SNP成分在精神分裂症患者和对照组的混合系数上有显著差异,P值分别为0.000 9和0.001 4。该文运用一种分析影像遗传学的新方法,来识别与精神分裂症相关的大脑功能和遗传信息之间的相互关系,为精神分裂症的辅助诊断提供了帮助。     

基于典型相关稀疏自编码器的精神分裂症的分类

通过结合大脑核磁共振成像和基因组信息进行全面系统的分析,影像遗传学已被广泛用于帮助诊断和治疗精神疾病（例如精神分裂症）。本文采用单核苷酸多态性数据和功能性磁共振成像数据联合分析,提出深度典型相关稀疏自编码器模型,探索两类数据之间的非线性关联并进行降维,对精神分裂症患者和健康对照进行分类。最后,实验结果表明,使用深度典型相关稀疏自编码器模型比其他传统模型具有更高的分类准确性。     

基于认知测查的支持向量机模型对精神分裂症的判别

目的:探索基于认知测查(MCCB)数据的支持向量机模型对精神分裂症的判别作用。方法:入组符合DSM-IV精神分裂症诊断标准的患者425例和正常对照404例,使用MCCB量表评定两组被试的认知功能,然后应用支持向量机模型对MCCB量表中的所有34个变量数据进行判别分析,此外,经过Relief算法筛选出16个变量再次应用支持向量机模型进行判别分析,最后应用受试者工作特征(ROC)曲线和曲线下面积(AUC)评价模型的性能。结果:采用MCCB量表全部34个变量对精神分裂症的识别准确率为78.0%,经过Relief算法进行变量筛选后,选择权值最高的前16个认知变量的验证准确率可达77.0%,与全部认知变量准确率接近,34个变量和16个变量的支持向量机模型的AUC分别为0.78和0.76。结论:基于认知数据的支持向量机模型对精神分裂症患者与正常对照具有一定的判别作用,模型具有较好的可靠性。     

基于CT的影像组学特征同临床物理剂量特征预测肺癌放疗放射性肺炎研究

目的:探讨基于CT的影像组学特征同临床物理剂量特征预测肺癌放疗放射性肺炎研究。方法:回顾性收集2013年1月至2017年1月进行放射治疗的83例肺癌患者的临床物理剂量参数和CT影像以及随访数据。从病例的CT图像中提取107个影像组学特征,结合对应的45个临床物理剂量特征,每例病例共收集152个特征。基于22种特征提取算法和8种分类器构建的176个鉴别模型分析152个特征预测放射性肺炎的准确性以及筛选优势特征的能力。结果:临床物理剂量特征和影像组学特征预测放射性肺炎的鉴别模型中AUC值最高为0.90。前5位的优势特征是:shape_Maximum2DDiameterColumn、shape_Maximum3DDiameter、V20、glcm_Imc1、V45。结论:临床物理剂量特征和影像组学特征通过不同分类器和特征选择算法组合的鉴别模型,可以筛选出理想的鉴别模型以及优势预测特征。     

基于静息态功能磁共振成像的精神分裂症脑网络特征分类研究

如何从复杂的静息态功能核磁共振成像(rs-fMRI)数据中提取高鉴别性特征,是提升精神分裂症识别精度的关键。本文使用一种加权稀疏脑网络构建方法,采用肯德尔相关系数(KCC)从脑网络中提取连接特征,并基于线性支持向量机对57例精神分裂症患者与64例健康受试者进行分类研究,最终得到了较高的分类精度(81.82%)。本文研究结果表明,相较于传统的皮尔逊相关和基于稀疏表示的脑网络构建方法,以及常用的双样本t检验(t-test)和最小绝对收缩与选择算子(Lasso)特征选择方法,本文提出的算法可以更有效地提取出能够区分精神分裂症患者与健康人群的脑功能网络连接特征,进而提升分类精度;同时本研究中所提取的鉴别性连接特征或可作为潜在的临床生物学标志物,用以辅助精神分裂症的诊断。     

基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤图像鉴别

临床上原发性脑部淋巴瘤(PCNSL)和胶质母细胞瘤(GBM)的治疗方案存在很大差异,因此治疗前对二者的精确鉴别具有重要临床价值。本文提出一套基于稀疏表示体系的肿瘤自动鉴别方法,利用PCNSL和GBM T1加权磁共振成像(MRI)图像纹理细节信息的差异鉴别这两种肿瘤。首先,基于影像组学的思想,设计一种基于字典学习和稀疏表示的肿瘤纹理特征提取方法,将不同体积、不同形状的肿瘤区域转化为968维纹理特征;其次,针对提取特征存在的冗余问题,建立迭代稀疏表示方法选择少数高稳定性高分辨力的特征;最后,将选择的关键特征送入稀疏表示分类器(SRC)分类。利用十折法对数据集进行交叉验证,鉴别结果的准确率为96.36%,敏感度为96.30%,特异性为96.43%。实验结果表明,本文方法不仅能够有效地鉴别PCNSL和GBM,还避免了使用先进MRI鉴别肿瘤时存在的参数提取问题,在实际应用中具有较强的鲁棒性。     

一种基于复合稀疏表示的阿尔茨海默病的诊断方法

利用磁共振影像数据实现对阿尔茨海默病的准确诊断。将常规稀疏表示中的单层字典分解为两层,分别使用各类别的典型样本和类内差异作为两层字典的元素;设计一种两层字典协调工作的复合稀疏表示形式,以期利用训练样本更为精确地表示待识别样本,并构建分类器用于阿尔茨海默病的分类识别。在ADNI数据库的对比实验表明,该方法的识别性能优于支持向量机和同类的稀疏表示分类器。     

基于机器学习的骨质疏松性骨折预测研究

复杂疾病的预测是遗传学研究的一个重要课题。本文引入机器学习的方法,将临床变量与遗传变量作为特征,对骨质疏松性骨折进行预测研究。对临床表型和遗传变异数据进行特征选择后分别使用Logistic回归分析法、XGBoost算法对临床因子特征变量、临床因子+遗传因子特征变量进行预测;最后,使用十折交叉验证法,对预测结果进行验证。实验结果表明,相较单独使用临床因子进行预测,加入遗传因子变量,XGBoost、Logistic方法的预测准确率均得到提高;另外,XGBoost方法较Logistic回归模型预测效果更好。     

磁共振部分K空间重建算法

磁共振成像（MRI）是必要的获取临床图像的影像学方法之一,但是它获取数据过程缓慢使得成像时间过长。目前提出了许多高效的成像算法来降低磁共振的成像时间,如半傅里叶成像和压缩感知MRI等。半傅里叶成像仅采用多于一半的K空间数据进行图像重建,不仅提高了MRI的成像速度,而且降低了运动伪影,是有效的部分K空间重建技术之一。基于压缩感知理论的MRI仅采用25%~30%的K空间数据就能重建出MRI图像,与其它成像技术相比,可在相同的扫描时间内获得更高质量的MRI图像,也可在相同的空间分辨率下加速成像。本文综述几种半傅里叶成像算法的原理,也阐述了压缩感知理论与MRI相结合的原理,包括MR图像的稀疏表示、K空间的采样轨迹设计、重建算法的选择等。     

正则化多任务学习在精神分裂症核磁共振成像图像分类中的应用

为实现对精神疾病的计算机辅助诊断与预后,利用机器学习与图像处理技术分析多地区精神疾病的核磁共振成像数据,已成为该领域的必然趋势。本文首先提出切片提取的核磁共振成像图像预处理方法,然后提取图像的纹理特征,最后提出一种lp范数正则化的多任务学习支持向量机精神分裂症分类方法,同时学习3个数据中心精神分裂症图像的共享特征和各自独有的特征,用于分类精神分裂症患者和正常人。实验结果表明,该方法取得了优秀的诊断精度,可为精神分裂症患者的临床诊断与治疗提供生物学依据。     

A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition

Effective feature extraction and classification methods are of great importance for motor imagery (MI)-based brain–computer interface (BCI) systems. The common spatial pattern (CSP) algorithm is a widely used feature extraction method for MI-based BCIs. In this work, we propose a novel spatial-frequency-temporal optimized feature sparse representation-based classification method. Optimal channels are selected based on relative entropy criteria. Significant CSP features on frequency-temporal domains are selected automatically to generate a column vector for sparse representation-based classification (SRC). We analyzed the performance of the new method on two public EEG datasets, namely BCI competition III dataset IVa which has five subjects and BCI competition IV dataset IIb which has nine subjects. Compared to the performance offered by the existing SRC method, the proposed method achieves average classification accuracy improvements of 21.568 and 14.38% for BCI competition III dataset IVa and BCI competition IV dataset IIb, respectively. Furthermore, our approach also shows better classification performance when compared to other competing methods for both datasets.     

基于Bandlet的压缩感知算法及其在智能乳腺全容积超声系统中的应用

目的在智能乳腺全容积超声系统中需扫描很多个切面同时进行成像和保存,数据量庞大。为此,本文提出基于Bandlet变换的压缩感知方法并应用于该系统,以降低存储和传输的数据量。方法首先利用超声图像的Bandlet变换域能够根据图像的"几何正则性"来自适应改变得到稀疏表示的特点,将所得图像进行Bandlet变换。然后选择与Bandlet基矩阵不相干的随机测量来降低图像压缩的数据量,之后利用匹配追踪算法由压缩数据重建超声图像。最后以智能乳腺全容积超声系统的图像数据为例进行压缩效率和重建有效性的验证。结果压缩后的数据大小为原数据的30%,降低了传输和存储的数据量,同时可得到高质量的重建图像。结论基于Bandlet的压缩感知算法可降低智能乳腺全容积超声系统图像的传输带宽和数据量,并保证了图像重建的质量,适用于智能乳腺全容积超声系统。     

Fair-view image reconstruction with dual dictionaries

In this paper, we formulate the problem of computed tomography (CT)under sparsity and few-view constraints, and propose a novel algorithm for image reconstruction from few-view data utilizing the simultaneous algebraic reconstruction technique (SART) coupled with dictionary learning, sparse representation and total variation (TV) minimization on two interconnected levels. The main feature of our algorithm is the use of two dictionaries: a transitional dictionary for atom matching and a global dictionary for image updating. The atoms in the global and transitional dictionaries represent the image patches from high-quality and low-quality CT images, respectively.Experiments with simulated and real projections were performed to evaluate and validate the proposed algorithm. The results reconstructed using the proposed approach are significantly better than those using either SART or SART–TV.     

联合稀疏表示的医学图像融合及同步去噪

将多模态医学图像的互补信息有机地融合在一起,可为临床诊断和辅助治疗提供丰富信息和有效帮助。基于联合稀疏模型,提出一种联合稀疏表示的医学图像融合算法,当图像被噪声污染时,该算法在融合的同时兼有去噪功能。首先,将配准的源图像编纂成列向量并组成联合矩阵,通过在线字典学习算法(ODL)得到该矩阵的超完备字典;其次,利用该字典得到联合稀疏模型下的联合字典,之后利用最小角回归算法(LARS)计算基于联合字典的公共稀疏系数和各图像的独特稀疏系数,并根据“选择最大化”融合规则得到融合图像的稀疏系数;最后,根据融合系数和超完备字典重构融合图像。将该算法与3种经典算法比较,结果显示其主观上亮度失真和对比度失真较小,边缘纹理清晰,客观参数指标MI、Q^AB/F在无噪声干扰和有噪声干扰时的统计均值分别为：3.992 3、2.896 4、2.505 5和0.658、0.552 4、0.439 6,可以为临床诊断和辅助治疗提供有效帮助。     

基于滑动块的深度卷积神经网络乳腺X线摄影图像肿块分割算法

目的:提出一种基于滑动块的深度卷积神经网络局部分类、整图乳腺肿块分割的算法,为临床诊断提供有效的肿块形态特征。方法:首先通过区域生长算法和膨胀算法提取患者乳腺区域,并进行数据归一化操作。为了得到每一个像素位置上的诊断信息,在图像的对应位置中滑动提取肿块类及非肿块类图像块,根据卷积神经网络提取其中的纹理信息并对图像块进行分类。通过整合图像块的预测分类结果,进行由粗到细的肿块分割,获得乳腺整图中像素级别的肿块分割。结果:通过比较先进的深度卷积神经网络模型,本文算法滑动块分类结果DenseNet模型下准确率达到96.71%,乳腺X线摄影图像全图肿块分割结果F1-score最优为83.49%。结论:本算法可以分割出乳腺X线摄影图像中的肿块,为后续的乳腺病灶诊断提供可靠的基础。