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。     

基于脑电的精神疾病自动分类研究进展

临床上精神疾病的诊断大多依赖于精神科医生的主观评价，缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合，在精神疾病辅助诊断领域的应用发展迅速，采用传统机器学习算法和深度学习算法，对脑电信号特征进行学习，从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征，笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展，最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解，难以解释其在医学领域的作用，因此深度学习也是脑电研究发展方向之一。此外，单独对脑电图进行分析难以囊括患者所有的特征，需与其他模态的生理参数结合进行多生理参数融合分析，使得疾病诊断更加智能化。     

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。     

具有凶杀行为的精神分裂症患者MMPI的对照研究

既往对发生凶杀行为的精神分裂症患者和一般凶杀犯多局限于一般犯罪学特征方面的研究 ,缺少与凶杀行为有密切关系的人格特征的研究。本文采用ＭＭＰＩ测查了两者在人格特征方面的异同 ,以便有助于预防犯罪、制止暴力行为。对象　 1 精神分裂症组 10 9例 ,来源于北京市安康医院经司法鉴定 ,无刑事责任能力的肇祸精神分裂症患者。诊断标准均符合中国精神疾病分类方案与诊断标准 (ＣＣＭＤ -2 )及国际精神疾病分类 (ＩＣＤ -10 ) ,病情稳定 (住院在两年以上 ,近 3个月无明显的精神性症状 ,服药均以氯丙嗪折算 ,少于 30 0ｍｇ/日 ) ,全为男性 ,…     

基于多模态磁共振影像的首发未用药精神分裂症自动分类研究

慢性精神分裂症患者大脑的结构和功能异常已经被广泛报道,但是首发未用药精神分裂症患者和正常人的相关研究较少。本研究采集了44名首发未用药精神分裂症患者和56名正常人的结构和静息态功能磁共振图像,基于自动解剖标签模板提取了90个感兴趣区域的灰质体积、局部一致性、低频振荡振幅和度中心度作为特征,并将这些特征作为输入,用基于递归特征消除的支持向量机对首发未用药精神分裂症患者和正常人进行分类。结果表明,局部一致性和低频振荡振幅的组合为最佳分类特征,分类准确率达到96.97%,并且分类权重最大的脑区主要位于额叶。研究结果有利于加深对精神分裂症神经病理机制的了解,有助于开发出用于临床辅助诊断的生物学标记物。     

基于特权信息集成学习的精神分裂症单模态神经影像计算机辅助诊断

神经影像技术目前已经应用于精神分裂症的诊断。为了提升基于单模态神经影像的精神分裂症计算机辅助诊断(CAD)的性能,本文提出一种基于特权信息学习(LUPI)分类器的集成学习算法。该算法首先对单模态数据采用极限学习机-自编码器(ELM-AE)进行特征二次学习,然后通过随机映射算法将高维特征随机分成多个子空间,并进行两两组合形成源领域和目标领域数据对,用于训练多个支持向量机+(SVM+)弱分类器,最终通过集成学习获得一个强分类器,实现有效的模式分类。本算法在公开的精神分裂症神经影像数据库中进行了实验,包括结构磁共振成像和功能磁共振成像数据。结果表明该算法取得了最优的诊断结果,其在基于结构磁共振成像诊断的分类精度、敏感性和特异性分别可以达到72.12%±8.20%、73.50%±15.44%和70.93%±12.93%,而基于功能磁共振成像诊断的分类精度、敏感性和特异性分别为72.33%±8.95%、68.50%±16.58%、75.73%±16.10%。本文算法的主要创新点在于克服了传统的LUPI分类器需要额外的特权信息模态的不足,可以直接应用于单模态数据分类问题,而且还提升了分类性能,因此具有较为广泛的应用前景。     

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。     

基于双模态磁共振成像和决策层融合的抑郁症辅助诊断

本研究提出一种基于结构和功能双模态磁共振成像数据融合的抑郁症分类算法,首先利用功能脑网络和深度学习网络分别提取功能和结构磁共振成像数据特征,并计算类概率,然后使用软投票法和加权投票法在决策层对两种类概率数据进行融合,充分提取功能与结构磁共振成像的数据信息,得到更加准确的分类效果。试验结果表明,数据融合方法可以显著提高抑郁症分类效果,获得91.34%的准确率和96.62%的召回率,更好地实现了抑郁症的辅助诊断与预后。     

基于像素特征学习的磁共振图像中β淀粉样蛋白沉积信息检测算法EI北大核心CSCD

β淀粉样蛋白(Aβ)沉积是阿尔茨海默症(AD)的重要防治靶点,在脑中及早发现Aβ蛋白沉积是AD早期诊断的关键。磁共振成像(MRI)是一种理想成像方式,但不能直接显示图像中存在的沉积信息。本文基于过滤式和封装式的选择模式引入链式智能体遗传算法(CAGA)、主成分分析(PCA)、支持向量机(SVM)和随机森林(RF),构建6种特征学习分类算法,通过像素特征优选来实现Aβ蛋白沉积信息(分布)的检测。首先,分割脑磁共振(MR)图像中的脑组织;然后提取脑组织中的像素值形成像素特征向量;接着设计特征学习分类算法对像素实现特征优选,并基于投票机制得到一组最终最优特征向量;最后采用弹性映射方法将最优像素特征向量映射到脑MR图像上,并标记出对应的像素点,从而显示出Aβ蛋白沉积的分布。实验结果表明,本文的像素特征学习方法可提取并显示Aβ蛋白沉积信息,最高分类准确率可达到80%以上,表明该方法是可行和有效的。本文从脑MR图像中检测的Aβ沉积信息将有助于提高基于MR的AD诊断准确率。     

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。     

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。     

基于浅层与深层特征融合的胃癌前疾病识别

胃癌前疾病识别对降低癌变风险及胃癌发病率具有重要意义。提出一种基于胃镜图像浅层特征与深层特征融合的胃癌前疾病识别方法。首先,根据胃镜图像性质,手工设计75维浅层特征,包含图像的直方图特征、纹理特征以及高阶特征;然后,基于构建的Resnet、GoogLe Net等卷积神经网络,在其输出层前添加一个全连接层作为图像的深层特征,为保证特征权重一致,全连接层的神经元数目设计为75维;最后,串联图像的浅层与深层特征,使用机器学习分类器,识别胃息肉、胃溃疡和胃糜烂等3类胃癌前疾病。对每种疾病收集了380张图像,并以4:1的比例划分为训练集和测试集,然后基于该数据集,分别采用传统机器学习、深度学习、特征融合等3种方法进行模型训练和测试。模型在测试集上的结果显示,所提出的特征融合方法识别准确率高达95.18%,优于传统的机器学习方法(74.12%)和深度学习方法(92.54%)。所提出的方法能够充分利用浅层特征与深层特征,为医生提供临床决策支持以辅助胃癌前疾病诊断。     

基于深度学习的舌象自监督聚类

目的：解决人工智能舌诊领域数据标注成本较高且带有较强主观性的问题。方法：基于深度学习中的对比学习技术,对舌象进行自监督聚类。该方法首先利用卷积神经网络将不同数据增强模式下的舌象映射到潜在空间,并在学习同类实例之间共同特征的同时尽可能区分非同类实例;随后利用高斯混合模型对网络提取的特征向量进行聚类。结果：在无需引入先验知识的情况下,利用300张舌象仪采集的无标签图像取得了52.54%的聚类纯度。结论：该方法一定程度上将医疗工作者从费事费力的数据标注工作中解放出来。除应用于自动化舌象分类外,该方法还可进一步针对不同病症的特殊舌象症候群进行聚类分析,其提取的舌象特征也可为舌体分割、舌色分类、苔质分区等下游任务提供预训练的参考。     

基因拷贝数变异与智力障碍病因学研究进展

基因拷贝数变异(copy number variations,CNVs)是指DNA片段大小从1 kb至Mb的亚微观结构变异,已成为探讨与疾病相关遗传变异的研究热点,特别是神经认知系统的遗传病,如精神分裂症、智力障碍等综合征、本文综述了基因拷贝数变异与智力障碍的关联关系和基因拷贝数变异检测技术进展在智力障碍诊断中的应用,这对揭示智力障碍发病机制有着重要意义.     

基因拷贝数变异与智力障碍病因学研究进展

基因拷贝数变异(copy number variations,CNVs)是指DNA片段大小从1 kb至Mb的亚微观结构变异,已成为探讨与疾病相关遗传变异的研究热点,特别是神经认知系统的遗传病,如精神分裂症、智力障碍等综合征、本文综述了基因拷贝数变异与智力障碍的关联关系和基因拷贝数变异检测技术进展在智力障碍诊断中的应用,这对揭示智力障碍发病机制有着重要意义.     

基因拷贝数变异与智力障碍病因学研究进展

基因拷贝数变异(copy number variations,CNVs)是指DNA片段大小从1 kb至Mb的亚微观结构变异,已成为探讨与疾病相关遗传变异的研究热点,特别是神经认知系统的遗传病,如精神分裂症、智力障碍等综合征、本文综述了基因拷贝数变异与智力障碍的关联关系和基因拷贝数变异检测技术进展在智力障碍诊断中的应用,这对揭示智力障碍发病机制有着重要意义.     

基于机器学习的神经精神疾病辅助诊断研究进展

【摘要】神经影像技术被广泛应用于研究大脑结构和功能异常与神经精神疾病之间的相关性。与传统的统计学分析方法不同,机器学习模型能对神经影像学数据进行个体化预测,发掘潜在的生物学标记物。神经精神疾病辅助诊断包含数据预处理和机器学习算法。数据预处理是一种人为的特征工程,为机器学习算法提供量化特征;机器学习算法包含特征降维、模型训练和模型评估。鲁棒的机器学习算法可以实现对不同数据集的准确预测,并提供对预测结果贡献大的特征,作为潜在的生物学标记物。本文综述了近年来基于机器学习的神经精神疾病辅助诊断研究进展,从数据预处理、机器学习算法和生物学标记物3个角度进行介绍,并展望未来的研究方向。 【关键词】神经精神疾病;神经影像;机器学习;辅助诊断     

基于极限学习机的阿尔兹海默病辅助诊断

阿尔兹海默病是一种渐进发展式的痴呆疾病, 其脑部随着病情发展逐渐出现萎缩。利用磁共振脑图像解剖学特征的变化, 提出一种使用极限学习机来诊断阿尔兹海默病以及轻度认知障碍的方法。采用FreeSurfer软件, 分析从ADNI数据库的818份磁共振图像中得到的脑部解剖学特征。首先对这些特征使用线性回归模型来估计正常衰老引起的萎缩因素, 并将其从特征中去除;随后采用极限学习机作为分类器, 使用处理后的特征来诊断阿尔兹海默病和轻度认知障碍。在实验过程中, 通过十折交叉验证来测试该方法的诊断准确率、敏感度、特异度和曲线下面积。通过100次实验求平均的方式计算得出, 该方法诊断阿尔兹海默病的准确率达到87.62%, 曲线下面积达到94.25%;诊断轻度认知障碍的准确率达到73.38%, 敏感度达到83.88%, 其中年龄矫正能有效提高轻度认知障碍诊断的准确率。实验结果表明, 该方法能有效诊断阿尔兹海默病和轻度认知障碍。     

基于主题模型的胶囊内镜图像序列筛查

无线胶囊内窥镜(WCE)是用于记录患者消化道影像的新技术,该技术的出现给消化道疾病诊断带来了极大帮助。但在检测过程中,每位患者所产生的约5～8万幅图像中含有大量气泡和杂质等干扰图像,极大地影响了疾病诊断的效率。目前大多数方法只针对气泡筛查,且这些方法通常不稳定、普适性较差。因此,提出一种基于主题模型的WCE图像语义分析方法筛查序列中干扰性图像。首先构建非对称自编码器提取图像特征,并利用K-Means算法对训练图像块特征聚类构建视觉单词;其次将测试图像块特征映射到视觉单词中,获得测试图像的词频矩阵,实现基于视觉单词的图像语义表达;最后利用主题模型对词频矩阵进行分析,获取图像语义分类。数据集来源于南京东部战区总医院的消化道内科30例不同患者的WCE图像序列,且由临床经验丰富的医生进行注解,其中包括3 340幅气泡图像、3 330幅杂质图像和3 330幅正常图像,以1∶1的比例随机划分为训练集和测试集,进行10次交叉验证。实验结果表明,该方法能有效筛查出干扰性图像,基于深度学习的卷积自编码器优于传统的特征提取方式,获得96.87%的精度,有效地减少医生阅片负担,提高疾病诊断效率。