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...     

阿尔茨海默症的影像遗传组学研究进展

随着中国人口老龄化程度的加剧,阿尔茨海默症(AD)患者数量迅速增加。AD是一种发病进程缓慢但不可逆的持续性神经功能障碍,目前无法根治。近年来大量研究者开始探索如何尽早发现AD,从而提前干预AD患者病程,为AD的有效治疗提供帮助。影像遗传组学是近年来发展起来的一种将医学影像数据和遗传组学数据相结合的研究诊断方法,它可以从高通量医学影像数据和遗传组学数据中挖掘出有效信息来研究AD患者的认知功能状态变化情况,对AD患者的早期发现和治疗提供有效的引导。本文概述了磁共振图像(MRI)与遗传变异的关联分析及其在AD上的研究进展,具体根据关联分析对象的复杂程度将其分类为候选脑表型、候选遗传变异、全基因组遗传变异和全脑体素,并分别简述分类后的脑表型和遗传变异关联分析所对应的具体方法。最后提出了一些目前仍未解决的问题,如表型的选取以及候选基因多态性有限等。     

基于机器学习的阿尔兹海默症分类预测

目的:应用机器学习方法,将脑结构磁共振（sMRI）、年龄、性别、受教育年限和MMSE量表评分作为特征,对阿尔兹海默症进行分类预测。方法:特征选择后,用L1正则Logistic回归、L1正则支持向量机、梯度提升树分别对脑sMRI数据进行分类预测,选出最优模型后引入年龄、性别、受教育年限和MMSE量表评分特征优化模型,用10-折交叉验证评价模型性能。结果:L1正则Logistic回归分类效果最好,加入年龄、性别、受教育年限和MMSE评分后预测准确率提高0.89%~11.42%。结论:L1正则化Logistic回归模型的sMRI+年龄+性别+受教育年限+MMSE评分特征集对阿尔兹海默症有更好的分类效果,可作为辅助诊断阿尔兹海默症的依据。     

阿尔兹海默症患者的工作记忆损伤

阿尔兹海默症(AD)患者存在工作记忆损伤。受疾病损伤的程度不同,工作记忆各子成分及子功能受损的轨迹也有差异。AD患者最早表现出情景缓冲器的损伤,接着是中央执行系统受损,再是视空间画板和语音回路的损害。随着病情的恶化,工作记忆的损伤越来越严重。未来研究应注重纵向研究方法,开发专门的认知与神经任务,深入探讨各子成分及子功能随病情发展的特异性损伤趋势,揭示阿尔兹海默症与工作记忆损伤的关系,为AD患者的早期诊断及预防和治疗提供有益的指导。     

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。     

肾上腺素受体与阿尔兹海默症的关系研究进展

阿尔兹海默症(Alzheimer''s disease,AD)是一种常发生于 65 岁以上人群的神经退行性疾病,严重影响患者生活质量.AD主要病理特征为脑部β淀粉样蛋白(β amloid protein,Aβ)沉积以及Tau蛋白的过度磷酸化.目前,临床治疗药物仅能缓解其临床症状,并不能有效延缓或逆转疾病的进程.因此,新型治疗靶点和药物亟待解决.研究显示,肾上腺素受体(Adrenergic receptor,AR)α2A-AR和β-AR参与Aβ沉积和Tau的磷酸化过程,可能是治疗AD的有效靶点之一.本文就AR在AD的发生、发展中发挥的作用进行了综述,为发现AD新型治疗靶点和药物提供帮助.     

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。     

β-淀粉样蛋白的代谢机制

<正>β-淀粉样蛋白(amyloid-β,Aβ)是由淀粉样前体蛋白(amyloid precursor protein,APP)经β-和γ-分泌酶的蛋白水解作用而产生的含有39~43个氨基酸的多肽(4.5 kD),它是构成阿尔兹海默症(Alzheimer’s disease,AD)患者脑内的特征性沉积物,老年斑(senile plaques,SP)的核心成分[1]。     

基于多特征多关系图卷积神经网络的癫痫脑电分类

目的:提出一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法,改进图卷积神经网络在癫痫脑电分类领域的应用,提升分类准确率。方法:分别提取癫痫脑电信号的1个频域特征、3个时频域特征和2个非线性动力学特征作为模型节点的特征。提取脑电通道之间的空间相似性和频谱相似性,融合两种通道相似性作为整体图节点之间的边关系矩阵。结果:在TUEP数据集上进行实验,准确率、精确率、召回率、F1分数、AUC结果分别为:0.87±0.02、0.91±0.04、0.82±0.04、0.86±0.02、0.90±0.03。结论:提出的模型与单特征和单关系的图卷积神经网络相比,对于癫痫脑电分类的提升效果明显。     

结合卷积神经网络与图卷积网络的乳腺癌病理图像分类研究

目的乳腺癌的精确诊断对于后续治疗具有重要临床意义,组织病理学分析是肿瘤诊断的金标准。卷积神经网络(convolution neural network,CNN)具有良好的局部特征提取能力,但无法有效捕捉细胞组织间的空间关系。为了有效利用这种空间关系,本文提出一种新的结合CNN与图卷积网络(graph convolution network,GCN)的病理图像分类框架,应用于乳腺癌病理图像的辅助诊断。方法首先对病理图像进行卷积及下采样得到一组特征图,然后将特征图上每个像素位置的特征向量表示为1个节点,构建具有空间结构的图,并通过GCN学习图中蕴含的空间结构特征。最后,将基于GCN的空间结构特征与基于CNN的全局特征融合,并同时对整个网络进行优化,实现基于融合特征的病理图像分类。结果本研究在提出框架下进行了3种GCN的比较,其中CNN-sGCN-fusion算法在2015生物成像挑战赛乳腺组织学数据集上获得93.53%±1.80%的准确率,在Databiox乳腺数据集上获得78.47%±5.33%的准确率。结论与传统基于CNN的病理图像分类算法相比,本文提出的结合CNN与GCN的算法有效融合了病理图像的全局特征与空间结构特征,从而提升了分类性能,具有潜在的应用可行性。     

Discriminant analysis of longitudinal cortical thickness changes in Alzheimer's disease using dynamic and network features

Neuroimage measures from magnetic resonance (MR) imaging, such as cortical thickness, have been playing an increasingly important role in searching for biomarkers of Alzheimer's disease (AD). Recent studies show that, AD, mild cognitive impairment (MCI) and normal control (NC) can be distinguished with relatively high accuracy using the baseline cortical thickness. With the increasing availability of large longitudinal datasets, it also becomes possible to study the longitudinal changes of cortical thickness and their correlation with the development of pathology in AD. In this study, the longitudinal cortical thickness changes of 152 subjects from 4 clinical groups (AD, NC, Progressive-MCI and Stable-MCI) selected from Alzheimer's Disease Neuroimaging Initiative (ADNI) are measured by our recently developed 4 D (spatial+temporal) thickness measuring algorithm. It is found that the 4 clinical groups demonstrate very similar spatial distribution of grey matter (GM) loss on cortex. To fully utilize the longitudinal information and better discriminate the subjects from 4 groups, especially between Stable-MCI and Progressive-MCI, 3 different categories of features are extracted for each subject, i.e., (1) static cortical thickness measures computed from the baseline and endline, (2) cortex thinning dynamics, such as the thinning speed (mm/year) and the thinning ratio (endline/baseline), and (3) network features computed from the brain network constructed based on the correlation between the longitudinal thickness changes of different regions of interest (ROIs). By combining the complementary information provided by features from the 3 categories, 2 classifiers are trained to diagnose AD and to predict the conversion to AD in MCI subjects, respectively. In the leave-one-out cross-validation, the proposed method can distinguish AD patients from NC at an accuracy of 96.1%, and can detect 81.7% (AUC = 0.875) of the MCI converters 6 months ahead of their conversions to AD. Also, by analyzing the brain network built via longitudinal cortical thickness changes, a significant decrease (p < 0.02) of the network clustering coefficient (associated with the development of AD pathology) is found in the Progressive-MCI group, which indicates the degenerated wiring efficiency of the brain network due to AD. More interestingly, the decreasing of network clustering coefficient of the olfactory cortex region was also found in the AD patients, which suggests olfactory dysfunction. Although the smell identification test is not performed in ADNI, this finding is consistent with other AD-related olfactory studies.     

基于特征融合神经网络的运动想象脑电分类算法

运动想象-脑机接口（MI-BCI）技术为运动障碍患者提供了一种新的与外界交流的能力。应用卷积神经网络（CNN）处理运动想象（MI）脑电分类问题时,多提取最后卷积层的特征,忽视了中间层大量可用信息,导致MI-BCI的分类性能较差。针对这一问题,提出模型内层融合（WMFF）和模型间层融合（CMFF）两种特征融合策略。WMFF策略提取CNN每一层特征进行融合;CMFF策略融合CNN和长短时记忆网络并提取每一层特征。本研究用BCI竞赛IV Datasets 2a数据集对所提方法进行验证,WMFF和CMFF MI脑电信号四分类平均正确率分别达到76.19%和80.46%。结果表明,所提方法可有效提高MI脑电信号分类正确率,为MI脑电信号分类提供了新的思路。     

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。     

基于CNN和频率切片小波变换的T波形态分类

心电实时监控是心血管疾病防治的重要手段.心电图中T波的变化是心肌缺血和心脏猝死等疾病的重要表征,T波形态自动识别是心电远程监控中一个重要问题.由于实时监护用心电的强噪声背景影响,传统的T波特征提取与分类算法遭遇瓶颈.提出一种结合切片频率小波变换和卷积神经网络的T波形态识别算法,包括:自动定位R波波峰位置与T波终点位置,...     

基于注意力机制的生物医学文本分类模型

对生物医学文本进行准确分类，是促进医院信息化发展的一个重要途径。本研究提出一种基于注意力机制的双层次文本分类模型，用于对生物医学文本进行有效分类。该模型结合卷积神经网络与循环神经网络的优势，对用户输入的疾病文本进行特征提取。首先，在第一层次通过Bi-GRU通道与Bi-LSTM通道提取文本中的上下文关联信息，同时，为增强模型的特征提取能力，在该层次引入注意力机制。其次，将两个通道提取到的时序特征进行特征拼接，并将拼接后的结果传入第二层次，从而进一步提取文本的局部特征，最后利用分类器输出最终的分类结果。对生物医学文本进行分类性能评估，结果表明，与基线模型相比，该模型的分类准确率可达91.45%，具有显著的分类性能。     

卷积神经网络在阿尔茨海默病诊断中的应用研究

随着深度学习技术在疾病诊断方面的广泛应用,尤其是卷积神经网络(CNN)在计算机视觉、图像处理方面的突出表现,越来越多的研究提出使用该算法实现阿尔茨海默病(AD)、轻度认知障碍(MCI)以及正常认知(CN)之间的诊断。本文系统地回顾了几种经典的卷积神经网络模型在该疾病不同阶段脑影像分析诊断方面的应用进展,进一步探讨了其存在的问题及研究方向,以期为该领域的研究提供一定的参考和借鉴。     

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。