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。     

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。     

基于结构磁共振成像海马多特征组合的阿尔茨海默病分类新方法

本文提出了一种利用结构磁共振图像多特征组合的阿尔茨海默病(AD)分类新方法。首先,利用FreeSurfer软件进行海马分割及皮层厚度、体积测量。然后,采用直方图、梯度、灰度共生矩阵及游程长度矩阵提取海马三维纹理特征,选取AD、MCI及NC三组间均具有显著差异的参数,与MMSE评分进行相关性研究。最后,利用极限学习机,对AD、MCI及NC进行分类识别。结果显示,无论左侧还是右侧,纹理特征相比于体积特征可以提供更好的分类结果;纹理、体积和皮层厚度互补的特征参量具有更高的分类识别率,且右侧(100%)分类正确率高于左侧(91.667%)。结果表明三维纹理分析可反映AD及MCI患者海马结构的病理变化,并且结合多特征的分析更能反映AD与MCI的认知障碍实质差别,更有利于临床鉴别诊断。     

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。     

颞叶癫痫患者脑白质纤维束追踪空间统计分析与自动识别

为了定位颞叶癫痫(TLE)患者脑白质微结构发生异常的重要脑区,本文设立了正常对照组(NC)与TLE组两组人群,采集了50位受试者(其中NC组28人,TLE组22人)的脑部弥散张量成像(DTI)影像,分别计算其部分各向异性(FA)、平均扩散率(MD)、扩散系数(AD)、径向扩散系数(RD)等参数,并采用纤维束追踪空间统计方法(TBSS),获取组间差异的脑区,然后利用支持向量机(SVM),对NC组与TLE组进行分类,并与支持向量机-递归特征消除法(SVM-RFE)进行比较,最后对重要脑区及其分布进行分析与讨论。实验结果表明,TLE患者的FA值存在明显降低的脑区主要有胼胝体、上纵束、放射冠、外囊、内囊、下额枕束、钩束、矢状层等,基本呈双侧分布,其中大部分脑区的MD、RD值明显增高,AD值虽有增高,但差异无统计学意义。支持向量机-纤维束追踪空间统计法(SVM-TBSS)利用FA、MD、RD进行分类的准确率分别为82%、76%、76%,特征融合后分类准确率为80%;SVM-RFE利用FA、MD、RD进行分类准确率分别为90%、90%和92%,特征融合后分类准确率达到100%,SVM-RFE分类性能明显优于SVM-TBSS,对分类有重要影响的特征主要分布于联络纤维和连合纤维脑区。研究结果表明,DTI参数能有效地反映TLE患者的脑白质纤维异常改变,可用于阐明其病理机制、定位病灶及实现自动诊断。     

基于卷积神经网络的注意缺陷多动障碍分类研究

注意缺陷多动障碍(ADHD)是一种高发于学龄儿童的行为障碍综合症。目前,ADHD的诊断主要依赖主观方法,导致漏诊率和误诊率较高。基于此,本文提出一种基于卷积神经网络的ADHD客观分类算法。首先,对脑部磁共振图像(MRI)进行头骨剥离、高斯核平滑等预处理;其次,对大脑的右侧尾状核、左侧楔前叶和左侧额上回部位的MRI进行粗分割;最后,利用3层卷积神经网络进行分类。实验结果表明:1本文的算法能有效地对ADHD和正常人群进行分类;2右侧尾状核和左侧楔前叶的ADHD分类准确率要高于ADHD-200全球竞赛中所有方法达到的ADHD最高分类准确率(62.52%);3利用上述3个脑区对ADHD患者和正常人群进行分类,其中右侧尾状核的分类准确率最高。综上所述,本文提出了一种利用粗分割和深度学习对ADHD患者和正常人群进行分类的方法。本文方法分类准确率高,计算量小,能较好地提取不明显的图像特征,改善了传统MRI脑区精确分割耗时长及复杂度高的缺点,为ADHD的诊断提供了一种可参照的客观方法。     

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。     

基于多模态典型相关特征表达的阿尔兹海默病诊断

对阿尔兹海默(AD)疾病进程的建模研究,有利于在其早期阶段--轻度认知障碍(MCI)进行更准确的诊断。不仅利用多模态影像数据,还分析模态间特征关系,用于增强与AD/MCI相关的特征表达能力。首先,基于典型相关分析融合不同模态间多个感兴趣区域并生成多模态关系特征表达;其次,基于稀疏最小二乘回归损失函数,以此获得稳定且有识别力的相关性表达特征;最后,使用交叉验证方法将随机选择的训练样本用于支持向量机分类模型,再对测试集受试者进行疾病阶段诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库的805位受试者,包括AD,MCI和正常受试者(NC)。此方法对于AD vs NC,MCI vs NC和p-MCI(进行性轻度认知障碍)vs s-MCI(稳定性轻度认知障碍)等3种不同类型数据,诊断结果分别为92.01%,74.83%和70.27%。与其他算法相比,分类准确率都有明显提高。表明所提出的方法能够有效应用于多模态数据对阿尔兹海默病的诊断分析研究。     

基于监督局部线性嵌入方法的阿尔茨海默病磁共振成像分类研究

针对阿尔茨海默病(AD)早期阶段分类这一研究难题,传统的线性特征提取算法很难从其高维特征中挖掘出鉴别能力较强的信息来有效地表示样本特征。因此,本文采用监督局部线性嵌入(SLLE)特征提取算法,对412例受试者的大脑皮质厚度(CTH)和脑感兴趣区域体积(VOI)特征进行提取,减少其冗余特征以提高识别精度。受试者来源于阿尔茨海默病神经影像学(ADNI)数据集,包含93例稳定型轻度认知障碍(s MCI)、96例遗忘型轻度认知障碍(a MCI)、86例AD患者和137例认知正常对照老年人(CN)样本。本文采用的SLLE算法是通过添加距离修正项来计算每个样本点的近邻点,并用近邻点线性表示样本,得到局部重建权值矩阵,进而求出高维数据的低维映射。为验证该算法在分类识别中的有效性,本文将主成分分析(PCA)、近邻最小最大投影(NMMP)、局部线性映射(LLE)及SLLE等特征提取算法分别与支持向量机(SVM)分类器组合,对CN与s MCI、CN与a MCI、CN与AD、s MCI与a MCI、s MCI与AD和a MCI与AD六组实验数据进行分类识别。结果显示,以VOI为特征,利用SLLE和SVM的复合算法对s MCI和a MCI的分类准确度、灵敏度、特异性分别为65.16%、63.33%、67.62%,基于LLE和SVM的复合算法分类结果分别为64.08%、66.14%、62.77%,而基于传统SVM则分别为57.25%、56.28%、58.08%。经比较,发现SLLE和SVM组合算法的识别精度较LLE和SVM的组合算法提高了1.08%,较SVM提高了7.91%。因此,利用SLLE和SVM这一复合算法进行分类识别更有利于AD的早期诊断。     

基于弥散张量白质网络的阿尔茨海默病研究

【摘 要】 目的:利用弥散张量成像（DTI）技术构建大脑白质结构网络,通过网络拓扑参数研究阿尔茨海默病（AD）患者大脑微观结构的异常。 方法:重建19例正常人和20例AD患者的结构脑网络,采用双样本t检验,从全脑和特定脑区两个水平对AD患者与正常对照组的网络拓扑参数进行差异性分析。 结果:在全脑水平上,AD患者的加权特征路径长度（[Lp]）值上升,全局效率（[Eg]）、网络强度（[Sp]）、局部效率（[Elocal]）值下降,并且进一步研究发现:AD患者左半球[Lp]、加权簇系数（[Cp]）值上升,[Eg]值下降比右半球明显。在特定脑区水平上,选取楔前叶为感兴趣脑区,发现两侧楔前叶脑区的[Lp]值上升、[Eg]值下降,而[Cp]、[Elocal]值并没有明显差异。 结论:网络拓扑参数可以作为评估AD患者微观结构异常的指标,对早期诊断AD具有重要的指向作用。     

基于磁共振图像海马三维纹理特征的阿尔茨海默病及健康对照的分类研究

利用磁共振(MR)图像对阿尔茨海默病(AD)和健康对照(NC)进行分类识别,比较双侧海马在分类识别中的意义。选取AD患者和NC各25人,采用灰度共生矩阵和游程长矩阵提取每位受试者的海马部位的三维纹理特征。通过筛选得到组间存在显著差异的纹理特征参量,对主成分分析、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。利用反向传播(BP)神经网络建立识别模型,对AD和NC进行分类识别,采用相关性分析比较双侧海马纹理参数与简明智力状态检查(MMSE)评分的相关性。结果显示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,右侧海马分类识别的正确率均高于左侧。两侧海马的纹理特征与MMSE评分均具有相关性且右侧海马的相关性系数均大于左侧。利用三维纹理特征的神经网络模型可分类识别AD组和NC组,并且采用右侧海马进行分类识别可能更有利于AD的诊断。     

基于非线性高阶特征和超图卷积神经网络的阿尔茨海默症分类

阿尔茨海默症（AD）是一种不可逆转的大脑神经退化性疾病，会损害患者记忆力和认知能力。因此，AD诊断具有重要意义。大脑感兴趣区域（ROI）之间往往是多个区域以非线性的方式协同交互，充分利用此类非线性高阶交互特征有助于提高AD诊断分类的准确性。为此，提出基于非线性高阶特征提取和三维超图神经网络相结合的AD计算机辅助诊断框架。首先针对ROI数据使用基于径向基函数核的支持向量机回归模型训练出基估计器，再通过基于基估计器的递归特征消除算法提取功能性磁共振成像（fMRI）数据中的非线性高阶特征，进而将特征构造成超图，最后基于fMRI数据的四维时空特性搭建超图卷积神经网络模型来进行分类。阿尔茨海默症神经影像倡议（ADNI）数据库上的实验结果表明，所提框架在AD/正常对照（NC）分类任务上的效果相较于Hyper Graph Convolutional Network(HyperGCN)框架提高了8%，相较于传统二维线性特征提取方法提高了12%。综上，本文框架在AD分类效果上较主流深度学习方法有所提升，可为AD计算机辅助诊断提供有效依据。     

基于栈式深度多项式网络集成学习框架的帕金森病计算机辅助诊断

特征表达是基于磁共振成像(MRI)的帕金森病(PD)计算机辅助诊断系统诊断准确性的重要决定因素。深度多项式网络(DPN)是一种新的有监督深度学习算法,对于小数据集具有良好的特征表达能力。本文提出一种面向PD计算机辅助诊断的栈式DPN(SDPN)集成学习框架,以有效提高基于小数据的PD辅助诊断准确性。本框架对所提取的MRI特征的每一个特征子集分别通过SDPN得到新的特征表达,然后采用支持向量机(SVM)对每个子集进行分类,再对所有分类器进行集成学习,得到最终的PD诊断结果。通过对公开的帕金森病数据库PPMI进行实验,基于脑网络特征的分类精度、敏感度和特异性分别为90.15%、85.48%和93.27%;而基于多视图脑区特征的分类精度、敏感度和特异性分别为87.18%、86.90%和87.27%。与在PPMI数据库中的MRI数据集进行实验的其他算法研究相比,本文所提出的算法获得了更好的分类结果。本文研究表明了所提出的SDPN集成学习框架的有效性,具有应用于PD计算机辅助诊断的可行性。     

基于多尺度熵特征优化算法的MCI早期诊断及敏感脑区分析

轻度认知障碍(MCI)是阿尔兹海默病诊疗的关键时期，迫切需要早发现，早干预。针对MCI早期诊断问题，特别是早期诊断的敏感脑区定位问题，提出一种基于多尺度熵的脑电信号特征提取优化算法，即多尺度熵特征优化算法。该算法通过构建多重尺度序列，并充分考虑各序列贡献程度，最大程度挖掘细节信息。共采集49名受试者临床脑电信号数据，其中实验组(MCI组)28名，正常对照组21名。对比分析实验组与对照组，MCI组16通道多尺度熵特征优化算法熵值均低于对照组，且前额叶、前颞叶以及中颞叶脑区具有显著性差异(P<0.01)。仅以此特征作为分类器输入特征，分析前额叶、前颞叶以及中颞叶3个脑区，其脑区诊断测试集识别率分别为83.33%、86.67%、73.33%。进一步，分析识别率最高的前颞叶两通道的AUC值分别为0.753与0.733。多尺度熵特征优化算法熵特征能够充分反应脑电信号变化，是可以作为MCI早期诊断的一种特征标记，前颞叶脑区可以为评估MCI患者脑认知功能状态的敏感脑区提供研究支持。