基于典型相关分析与双模态数据融合的抑郁症辅助诊断

为了充分提取抑郁症患者的磁共振影像信息,提高抑郁症的诊断准确率,本研究将功能磁共振图像与结构磁共振图像作为研究对象,提出一种双模态数据融合的抑郁症分类算法。首先构建4种不同尺度的功能脑网络,提取功能磁共振图像的数据特征,然后使用迁移学习处理的三维密集连接卷积神经网络,提取结构磁共振图像的数据特征,接着使用典型相关分析方法融合两种特征,最后使用支持向量机对融合特征进行分类,从而将受试者识别为健康者或抑郁症患者。实验结果表明,本文提出的方法可获得89.56%的分类准确率与95.48%的召回率,与单模态数据分类相比,基于双模态数据的分类方法具有更好的分类性能。此外,典型相关分析法可以有效融合双模态的图像特征。     

抑郁症的功能磁共振研究进展

抑郁症的发病率逐年上升,磁共振成像能在脑结构及功能方面揭示抑郁症患者存在的脑组织异常,并对治疗效果起到评估作用。本文综述了功能磁共振成像在评价抑郁症的研究近展。     

基于迁移学习和3D-WGMobileNet的青年抑郁症辅助诊断

提出一种基于3D-WGMobileNet和迁移学习的网络模型,实现对青年抑郁症不同阶段患者的正确分类。首先,对功能磁共振成像（fMRI）数据进行预处理,并通过局部一致性分析将4D fMRI数据转换为3D,进行降维处理。然后,使用迁移学习方法将阿尔茨海默症的特征迁移到提出的3D-WGMobileNet中。利用动态分组卷积构建卷积核的专家权重矩阵,提高模型的表达能力;利用滑窗分组卷积来压缩模型的参数量,增强模型的计算能力。最后,利用3D-WGMobileNet对抑郁症患者图像进行特征提取和分类。在人类连接组项目数据库上的实验结果表明结合迁移学习、动态分组卷积和滑窗分组卷积的3D-WGMobileNet获得较好的分类效果,其中,抑郁症和健康对照组、轻度抑郁症和健康对照组、轻度抑郁症和中度抑郁症的分类准确率分别达到89.00%、85.15%、87.90%,证明本文方法的可行性和有效性。     

KPCA和Adaboost算法在阿尔茨海默症功能磁共振影像分类中的 应用

本研究的目的在于使用机器学习方法,对脑部功能磁共振成像数据进行分析与特征提取,完成对阿尔茨海默症 （AD）的辅助诊断与分析。首先对数据进行预处理与去除协变量,并从大脑全局特征出发,根据现有的自动解剖标记模 板,把每个被试的大脑分为116个脑区,通过提取每个脑区的时间序列,构建全脑功能连接矩阵,然后使用核主成分分析 法进行特征提取,最后用Adaboost算法进行分类。在对34名AD患者、35名轻度认知障碍患者和35名正常对照组的功能 磁共振成像数据进行的实验结果表明,利用静息态功能磁共振成像,同时结合机器学习的方法,能够有效地实现AD的正 确分类,准确率可以达到96%,该结果可以为AD患者的临床辅助诊断提供有效的判断依据。     

抑郁症脑磁共振成像与抗抑郁治疗临床改善间关系的研究进展

据世界卫生组织预测,到2030年抑郁症将会上升至世界疾病负担首位,到2040年抑郁症将是导致残疾的最常见的原因。研究表明,最多只有30%~40%的抑郁症患者在任何治疗中都会有缓解,目前抑郁症的治疗仍以经验性治疗为主,尚无临床实践中可用的生物标记物用于患者的个体化治疗。研究表明脑磁共振成像具有预测抗抑郁治疗后临床改善的潜在价值,本文主要从抑郁症的脑结构MRI和功能MRI两个方面综述抑郁症治疗前脑MRI改变与抗抑郁治疗临床改善间关系的研究。     

磁共振脑功能成像信号——噪声及分析处理研究

随着磁共振成像技术的发展,其在人脑功能研究中的应用越来越广泛。深入了解磁共振成像信号的产生与采集过程对于数据的获取和分析及取得所需结果有很大的帮助。首先介绍了磁共振成像信号及其噪声,在其基础上对实验数据的分析进行讨论,并介绍了脑功能磁共振成像数据分析的新进展。     

基于多尺度功能脑网络融合特征的抑郁症分类算法

【摘要】提出一种多尺度功能脑网络融合特征的抑郁症分类方法，具体思想包括:首先通过精细化脑区，建立4种不同尺度的脑网络；然后对每种尺度的脑网络分别提取局部特征和全局特征，并将多种尺度脑网络的特征进行有效融合并降维；最后使用支持向量机对患者脑部功能磁共振影像进行分类。试验结果表明，分别提取局部特征和全局特征，并进行有效融合，可以提升识别效果；空间尺度减小会得到更多有效特征，进而能够有效提升分类结果；多尺度特征融合也可以在很大程度上对分类结果起到积极作用。与传统单一大尺度脑网络方法相比，本研究提出的方法获得了更加优秀的试验结果，识别率可达88.67%，充分验证了本研究提出方法的有效性和可行性，并为抑郁症患者的临床诊断与治疗提供生物学依据。     

阴性颞叶癫痫患者静息态脑功能连接网络特征融合策略的分析

静息态功能磁共振成像(rfMRI)的功能连接(FC)可为阴性颞叶癫痫提供脑功能异常指标,但冗余特征影响了精准性。为此,本研究提出结合特异性指数模型与判别相关分析(DCA)的特征融合策略以改善识别效果。将20位患者与20位健康人的rfMRI数据预处理后,以健康人为对照组,构建两类特异性指数模型以量化FC和脑网络FC;采用最小冗余最大相关(mRMR)及独立样本t检验去除冗余特征,应用DCA融合2类FC特异性指标;将融合特征分别输入到K近邻、支持向量机和逻辑回归分类器中,并以嵌套10次10折交叉验证与嵌套10次5折分层交叉验证的平均分类精度来评估算法有效性。结果表明,融合特征识别率达到了91.25%～92.50%,高于非融合方案的识别水平。所提出的特征融合策略可有效地处理冗余信息,增强特征判别能力,为精准识别阴性颞叶癫痫提供了新思路。     

首发未服药抑郁症静息态默认网络研究

目的:分析首发未治疗抑郁症患者静息态默认网络功能改变。方法:采用独立成分分析方法,对25例首发抑郁症患者与25名正常被试进行静息态功能磁共振数据处理,并依据空间最匹配原则对缺省模式网络的独立成分进行挑选,分析患者默认网络的改变。结果:与正常对照比较,抑郁症患者的默认网络呈现前部升高后部降低的模式:即背部额内侧回、腹部额内侧回和腹部前扣带回功能连接升高,楔前叶和后扣带回、角回功能连接减低。结论:静息态下抑郁症默认网络存在广泛的异常。     

基于广义卷积神经网络的阿尔茨海默病多模态磁共振图像分类方法研究

阿尔茨海默病（AD）是一种进行性、不可逆的神经系统退行性疾病,基于磁共振成像（MRI）的神经影像学检查是进行AD筛查与诊断最直观、可靠的方法之一。临床上头颅MRI检测会产生多模态影像数据,为解决多模态MRI处理与信息融合的问题,本文提出基于广义卷积神经网络（gCNN）的结构MRI和功能MRI特征提取与融合方法。该方法针对结构MRI提出基于混合注意力机制的三维残差U型网络（3D HA-ResUNet）进行特征表示与分类;针对功能MRI提出U型图卷积神经网络（U-GCN）进行脑功能网络的节点特征表示与分类。在两类影像特征融合的基础上,基于离散二进制粒子群优化算法筛选最优特征子集,并使用机器学习分类器输出预测结果。来自AD神经影像学计划（ADNI）开源数据库的多模态数据集验证结果表明,本文所提出的模型在各自数据域内都有优秀的表现,而gCNN框架结合了两类模型的优势,进一步提高使用单一模态MRI的方法性能,将分类准确率和敏感性分别提升了5.56%和11.11%。综上,本文所提出的基于gCNN的多模态MRI分类方法可以为AD的辅助诊断提供技术基础。     

融合白质fMRI的dMRI纤维追踪重建研究

基于弥散磁共振成像(dMRI)的纤维束重建,是分析大脑白质结构的主要工具.现有的纤维追踪成像算法受dMRI分辨率及成像机理约束,在构建大脑白质灰质边界区域的纤维时成像性能和准确性大大下降.为克服该缺陷,提出一种结合功能磁共振成像(fMRI)的新型dMRI纤维追踪成像算法.该算法引入表征白质中fMRI信号各向异性的空间相...     

基于随机森林算法的阿尔茨海默症医学影像分类

为实现阿尔茨海默症(AD)的医学影像分类,辅助医生对患者的病情进行准确判断,本研究对采集的34名AD患者、35名轻度认知障碍患者和35名正常对照组成员的功能磁共振影像进行特征提取和分类,具体思路包括:首先利用皮尔逊相关系数计算脑区之间的功能连接,然后采用随机森林算法对被试不同脑区之间的功能连接进行重要性度量及特征选择,最后使用支持向量机分类器进行分类,利用十倍交叉验证估算分类准确率。实验结果显示,随机森林算法可以对功能连接特征进行有效分析,同时得到AD发病过程的异常脑区,基于随机森林和SVM建立的分类模型对AD、轻度认知障碍的识别具有较好的效果,分类准确率可达90.68%,相关结论可以为AD的早期临床诊断提供客观参照。 【关键词】阿尔茨海默症;功能磁共振成像;随机森林;特征选择     

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。     

基于深度学习的跨模态医学图像转换

运用深度学习的方法基于脑部CT扫描图像合成相应的MRI。将28例患者进行颅脑CT和MRI扫描得到的CT和MRI的断层图像进行刚性配准,随机选取20例患者的图像输入U-Net卷积神经网络进行训练,利用训练好的网络对未参与训练的8例患者的CT图像进行预测,得到合成的MRI。研究结果显示:通过对合成的MRI进行定量分析,利用基于L2损失函数构建的U-Net网络合成MRI效果良好,平均绝对平均误差（MAE）为47.81,平均结构相似性指数（SSIM）为0.91。本研究表明可以利用深度学习方法对CT图像进行转换,获得合成MRI,现阶段可以达到扩充MRI医学图像数据库的目的,随着合成图像精度的提高,可以用于帮助诊断等临床应用。     

基于功能磁共振图像转换在阿尔茨海默症分类中的应用

为了能识别阿尔茨海默症（AD）早期症状,提出一种改进的3DPCANet网络模型,并结合患者功能磁共振成像（fMRI）转换,对AD不同阶段患者进行分类。首先预处理患者的fMRI,并对预处理后的图像进行局部一致性（ReHo）图像转换;然后采用改进的3DPCANet模型对fMRI转换后的图像进行特征提取;最后使用支持向量机进行分类。实验结果显示,改进后的3DPCANet模型可以对fMRI转换后的图像提取有效的分类特征,其中,晚期轻度认知障碍与AD、主观记忆衰退与AD、主观记忆衰退与早期轻度认知障碍的分类准确率分别达到90.00%、88.89%、88.00%,验证了本方法的有效性和可行性。     

功能磁共振在研究老年抑郁症脑功能及结构中的应用

目的:基于核磁共振下高分辨率结构成像及功能扫描评价老年抑郁症患者的脑功能及结构。方法:选取2015年1月至2016年7月于我院就诊的抑郁症老年患者50例为研究组,招募50例老年健康者为对照组,所有入组者均进行核磁共振下高分辨率结构像及功能扫描,采用MRIcro软件转化,应用REST、SPM 8软件进行图像结果分析。结果:抑郁组的汉密尔顿抑郁量表(HAMD)评分为(26.7±1.6)分,对照组为(4.7±1.7)分,两组比较差异具有统计学意义(t=66.636,P0.001)。抑郁组患者中左侧的梭状回、颞上回、楔前叶、顶下小叶、中央后回、中央旁小叶,以及右侧的枕中回、顶下小叶、额上回的ReHo较健康组显著减低(P0.05),抑郁组患者的左侧颞下回、额下回、楔前叶,右侧内侧扣带回、梭状回、颞下回、楔叶的GMV较健康组显著减低(P0.05)。结论:老年抑郁症患者中脑功能与结构异常的区域没有重叠,异常的脑功能与结构对于抑郁症神经病理机制的作用相互独立。     

一种新的磁共振扩散成像实验参数控制方法

扩散敏感梯度磁度的方向及强度是磁共振扩散成像实验的重要参数，但这二个参数不能由用户通过设备自带的软件设定。本文介绍一种新的方法，通过修改MRI扫描机内部的数据文件，用户可以方便与精确地设定扩散加权成像DWI及扩散张景成像DTI的实验参数，而且可以为MRI扫描机增加新的功能。     

一种薄片型磁场全开放磁共振成像仪主磁体的优化设计

针对电磁场逆问题的复杂性,根据鞍点判断的理论,应用磁场数值分析和形状优化技术,探讨了开放性磁体结构的设计及优化技术,并提出了一种薄片型全开放核磁共振成像仪主磁体结构.采用了一种适用于磁体结构优化设计的混合优化算法,实现了主磁体的结构优化.计算结果表明:该算法比常规算法不仅求解质量高、适用于多变量寻优,且提高了优化算法的局部搜索能力.这种算法易于编程的实现,在一定程度上避免了设计变量配置的盲目性.