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。     

基于纹理分析的阿尔茨海默症及轻度认知功能障碍的分类研究

目的 利用脑MR图像中胼胝体的三维纹理特征对阿尔茨海默症患者（Alzheimer disease,AD）及轻度认知功能障碍（mild cognitive impairment,MCI）患者进行分类识别,以探索AD早期诊断新途径.方法 选取AD患者、MCI患者及健康对照者各l8例,采用灰度共生矩阵和游程长矩阵提取每位受试者胼胝体部位的三维纹理特征.通过筛选得到的纹理特征参量,利用BP神经网络建立识别模型,对AD患者、MCI患者和健康对照者进行分类识别,并对采用主成分分析、线性判别分析和非线性判别分析3种方法得到的识别结果进行比较.结果 使用神经网络模型的非线性判别分析的分类识别正确率最高.结论 利用三维纹理特征的神经网络模型可分类识别早期AD患者及MCI患者.     

基于3D卷积神经网络-感兴趣区域的阿尔茨海默症辅助诊断模型

磁共振(magnetic resonance imaging,MRI)图像的预测分类对早期阿尔茨海默症(Alzheimer′s disease,AD)的诊断非常重要。轻度认知障碍(mild cognitive impairment,MCI)作为AD的一种早期阶段,在诊断时存在大脑脑区萎缩区域不明确,诊断准确率偏低等问题。本研究提出一种基于感兴趣区域(regions of interest,ROI)的3D卷积神经网络(convolutional neural network, CNN)模型来解决AD分类准确率偏低等问题,进而实现对AD的计算机辅助诊断。实验数据均来自ADNI数据库,实验结果表明,基于ROI的3D CNN的AD辅助诊断模型在分类AD vs正常对照(normal control,NC)、MCI转化AD(MCI converted to AD,MCIc) vs NC和MCI未被转化AD(MCI not converted to AD,MCInc) vs MCIc的5折交叉验证平均准确率分别为85.2%、83.9%、68.5%。相比于传统的主成分分析+支持向量机方法和单纯的切片集成方法,本研究方法在AD辅助诊断中取得了更好的分类效果和泛化能力,还可为其他脑疾病诊断提供新思路。     

基于KPCA算法的阿尔茨海默症辅助诊断

阿尔茨海默症（AD）是一种起病隐匿、进行性发展的神经系统退行性疾病,利用磁共振成像和计算机技术对AD患者的辅助诊断是目前不断探索的新课题。本研究先对磁共振图像进行预处理和相关性分析,然后利用核主成分分析法（KPCA）对脑灰质图像进行特征提取,结合Adaboost算法进行分类,并与主成分分析法（PCA）进行对比试验。通过对AD神经影像学计划数据库中的116名AD患者、116名轻度认知障碍患者,以及117名正常对照的脑部功能磁共振成像进行的研究表明,利用机器学习能够很有效地辅助诊断AD脑部疾病,KPCA算法对图像进行特征提取比PCA 算法更加充分完备,分类结果更加精确,能够获得更好的AD辅助诊断结果。     

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。     

基于卷积循环神经网络的阿尔茨海默症早期诊断

早期准确诊断能延迟阿尔茨海默症(Alzheimer′s disease,AD)病情的恶化。磁共振成像(MRI)和正电子发射断层扫描(PET)已被证明有助于了解AD相关的解剖和功能性神经变化。近期研究表明,多模态特征的融合可以提高分类性能。本研究提出了一种基于卷积循环神经网络的多模态数据分类新框架,新框架结合了2D卷积神经网络和循环神经网络,以学习3D MRI和3D PET图像切分为2D切片序列之后的切片内、切片间特征,完成AD的早期诊断。本研究方法在AD与NC的分类实验中ACC为93.3%,AUC为98.1%;在MCIc与NC的分类实验准确率为83.8%,AUC为91.9%;MCIc与MCInc的分类实验准确率为79.0%,AUC为88.9%。结果表明该方法具有良好的分类性能。     

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。     

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     

基于特征选择的阿尔茨海默症辅助诊断

阿尔茨海默症（AD）是一种在老年人中多发的脑部神经疾病,致病原因迄今未明,在疾病发展早期难以诊断。随着 计算机和人工智能技术的大力发展,利用磁共振成像（MRI）技术和机器学习方法辅助医生对AD进行辅助诊断不断取得 新的成果。本研究提出一种基于支持向量机递归特征消除（SVM-RFE）和线性判别分析（LDA）的AD辅助诊断方法。首 先对MRI图像进行预处理,获得90个大脑脑区的灰质体积;然后使用SVM-RFE和LDA相结合的方法,对90个大脑脑区 灰质体积进行特征选择;最后通过SVM进行分类。通过对来自于ADNI数据库中的34名AD、26名主观记忆衰退（SMC） 患者和50名正常被试（NC）的MRI图像分析,得到AD/NC、AD/SMC和NC/SMC的平均分类准确率分别为94.0%、100.0% 和93.6%。实验结果证明,本研究提出的方法可有效提取样本特征,辅助医生诊断AD。     

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。     

LightGBM算法在阿尔茨海默症结构磁共振成像分类中的应用

为更好地利用计算机技术分析阿尔茨海默症(AD)患者的大脑脑区变化,并对AD进行辅助诊断,本研究选择来自AD神经影像数据库的116名AD患者、116名轻度认知障碍患者和117名正常对照者的脑部结构磁共振成像,并利用spm软件对3组数据进行预处理和统计学相关性分析,得到差异性脑区。然后使用IBASPM软件提取病灶脑区体积作为特征样本。最后利用LightGBM算法对特征向量进行分类,并与支持向量机和XGBoost算法作对比实验。实验结果显示,利用LightGBM算法对病灶脑区的体积进行分类,准确率可达到83%。在这3种分类算法中,LightGBM更具有优势,分类结果更准确,可见,利用LightGBM算法可以有效地辅助医疗人员对AD进行早期诊断。     

基于sMRI的阿尔茨海默症分类影响因素研究

本研究提出基于三类解剖特征的SVM建模方法,探索样本、特征及算法选择三个因素,对阿尔茨海默症(AD)及其前驱阶段分类的重要性。该方法以三维重构s MRI后不同大脑区域的灰质体积、皮层表面积及其平均厚度三类特征作为SVM模型的输入参数,并采用十折交叉验证方法对AD患者、轻度认知损害患者和健康者进行分类识别,并与其他文献结果进行比较分析。实验结果表明,为了达到更高的分类准确率,选择合适的样本和特征,比选择算法更重要。此结论为未来AD的计算机辅助诊断研究工作提供了有益的指导。     

基于遗传算法和三维卷积神经网络集成模型的阿尔茨海默症早期辅助诊断

阿尔茨海默病(AD)作为一种常见的神经系统退行性疾病,其致病机制不明,尤其是对处于AD不同阶段的轻度认知障碍(MCI)患者的萎缩区域难以确定,导致误诊率偏高。为此,提出了基于3维卷积神经网络(3DCNN)和遗传算法(GA)相结合的AD早期辅助诊断模型。首先用3DCNN针对感兴趣区域(ROI)训练出候选基分类器,然后利用GA算法从中挑选出最优基分类器组合,最后集成起来进行分类,实现辅助诊断。同时,由于基分类器与脑区之间是一一对应的,进而可以找出具有显著分类能力的脑区。实验结果表明,AD与正常组(NC)的分类准确率为88.6%,转化为AD的MCI(MCIc)与NC的分类准确率为88.1%,未转化为AD的MCI(MCInc)与MCIc的分类准确率为71.3%。此外,通过对关键ROI(即脑区)所对应的行为域数据进行统计分析,GA筛选的关键脑区除了左延髓海马、左尾部海马和内外侧杏仁核、左海马旁回,还新发现了右颞中回前颞上沟、右扣带回背侧23等区域。实验得出所选脑区的功能主要影响情绪、记忆和认知等方面,这与AD患者出现的感情冷淡、记忆力下降、行动能力下降和认知水平下降等外在表现基本吻合。这些均表明所提方法是有效的。     

恶性肿瘤动态对比增强磁共振成像计算机辅助诊断研究进展

动态对比增强磁共振成像(DCE-MRI)相较于传统的磁共振成像(MRI)技术,可以为恶性肿瘤的诊断提供更多的信息。为了能够方便、快速地利用这些信息,基于DCE-MRI的恶性肿瘤的计算机辅助诊断(CAD)研究成为业界研究的热点方向之一。文中综述了利用DCE-MRI图像信息进行恶性肿瘤CAD的研究进展,主要包括四方面内容:1图像预处理,如降噪和图像序列配准;2感兴趣区域(ROI)的分割;3特征提取,即对ROI进行定量描述并提取量化值作为特征;4肿瘤区域的识别与分类,即通过学习ROI的特征,对其是否为病灶进行识别及预测。本文总结了CAD技术在恶性肿瘤DCE-MRI图像中的应用,并对该领域今后的研究提出了自己的看法。     

基于功能磁共振成像的个体脑网络在阿尔兹海默症早期诊断中的应用

本研究利用功能磁共振成像(functional magnetic resonance imaging,fMRI)构建个体脑网络以期能够对阿尔兹海默症(Alzheimer's disease,AD)不同病程阶段进行分类,为临床诊断早期AD提供一种辅助手段.首先构建有向脑网络,将体素葡萄糖代谢平均率和脑网络连接,增加节点的...     

基于时间序列数据增强的运动想象脑电多尺度特征提取分类

基于运动想象脑电（MI-EEG）的脑机接口（BCI）可以实现人脑与外部设备的直接信息交互。本文提出了一种基于时间序列数据增强的脑电多尺度特征提取卷积神经网络模型，用于MI-EEG信号解码。首先，提出了一种脑电信号数据增强方法，能够在不改变时间序列长度的情况下，提高训练样本的信息含量，同时完整保留其初始特征。然后，通过多尺度卷积块自适应地提取脑电数据的多种整体与细节特征，再经并行残差块和通道注意力对特征进行融合筛选。最后，由全连接网络输出分类结果。在BCI Competition IV 2a和2b数据集上的应用实验结果表明，本模型对运动想象任务的平均分类正确率分别达到了91.87%和87.85%，对比现有的基准模型，该方法具有较高的正确率和较强的鲁棒性。该模型无需复杂的信号预处理操作，具有多尺度特征提取的优势，具有较高的实际应用价值。     

基于生物突触可塑性的仿生分层脉冲神经网络事件相机对象识别系统EI北大核心

脉冲神经网络(SNNs)以稀疏脉冲时间编码、异步事件驱动的方式天然地适合处理事件相机输出的事件流数据。为了提高现有的仿生分层脉冲神经网络对事件相机对象的特征提取和分类性能,本文提出一种基于生物突触可塑性的仿生分层脉冲神经网络事件相机对象识别系统。该系统首先基于脉冲神经元电位对原始事件流进行自适应分割以提高系统计算效率,然后使用基于生物突触可塑性的仿生分层脉冲神经网络对事件流数据进行多层的时空特征提取并分类。在基于Gabor滤波器的事件驱动卷积层提取初级视觉特征之后,网络使用基于无监督脉冲时间依赖突触可塑性(STDP)规则的特征层提取频繁出现的显著特征,以及基于奖励调节STDP规则的特征层学习诊断性特征。本文提出的网络在四个基准事件流数据集上的分类精度均优于现有的仿生分层脉冲神经网络,并且本文方法对于较短的事件流输入数据也有很好的分类能力,对输入事件流噪声也具有较强的鲁棒性。综上,本文提出的网络能够提高该类网络对事件相机对象的特征提取和分类性能。     

基于小波变换和CNN-LSTM的肺音分类算法

目的：针对如何建立有助于电子听诊诊断的肺音分类模型,提出一种基于卷积神经网络（CNN）-长短期记忆网络（LSTM的混合深度学习肺音分类模型方法。方法：首先使用小波变换对数据集进行特征提取,使肺音信号转化为能量熵、峰值等特征;在此基础上构建CNN和LSTM的混合算法分类模型,其中将小波变换提取的特征先输入CNN模块,能够获得数据的空间维度特征,再通过LSTM模块获得数据的时间维度特征,融合两类特征,通过模型可以将肺音分类,从而达到辅助判断患者的肺部疾病。结果：CNN-LSTM混合模型准确率、F1分数均明显高于其他单一模型,可达到0.948和0.950。结论：提出的CNN-LSTM混合模型分类准确率更高,在智能听诊领域具有广泛的潜在应用价值。     

基于PiB PET图像感兴趣区域的阿尔茨海默症计算机辅助分析

阿尔兹海默症 (AD) 是一种不可逆的神经退行性疾病,PiB PET成像技术可用于AD的早期诊断。但是,目前临床基于PiB PET图像的AD诊断主要依靠医生视觉评估分析,其缺点为依赖医生经验且耗时,无法实现对患者病情的客观追踪,因此提出一种基于PiB PET图像的计算机辅助分析方法 (CAAD)实现AD诊断。使用基于阈值先验的3D格子玻尔兹曼技术分割ROIs,采用主成分分析 (PCA) 技术提取图像特征,最终采取基于支持向量机(SVM)多项式核模型对特征进行分类。通过对ADNI数据库和上海市华山医院PET中心的149个样本的PiB PET数据进行对比实验,该方法对于ROIs的分割后Dice系数平均准确率为91.53%±3.0%,最终对AD和正常老年组(HC)、轻度认知障碍组(MCI)和HC、AD/MCI和HC的分类准确率分别达到87.01%、93.04%和91.95%。与现有文献的AD计算机辅助诊断相比,所提出CAAD方法的准确率高出约10%。 实验结果表明,该方法能够很好地对AD、MCI和HC进行分类。     

基于CT图像的肺结节计算机辅助诊断系统

本文介绍了一种基于CT图像的肺结节计算机辅助自动诊断系统。我们将肺结节的自动检测分为肺实质的提取、感兴趣区域（ROI）的分割和ROI特征参数提取及分类判别几个步骤。该系统能够在对肺部CT图像进行自动分析后给医生提示出可疑肺结节，从而提高了医疗诊断效率。