基于集成学习的多模态AD辅助诊断模型研究

发布时间：2017-05-25 06:08

  本文关键词：基于集成学习的多模态AD辅助诊断模型研究，由笔耕文化传播整理发布。

【摘要】：阿尔茨海默病(AD)是一种不可逆的神经退行性疾病,临床表现为记忆下降和其他认知功能损害。轻度认知障碍(MCI)是AD的前驱阶段,但尚未达到痴呆状态。目前对AD仍无有效的治疗手段,许多研究基于单一模态的脑影像数据进行早期诊断研究,但效果不理想。脑影像技术日趋成熟,基于多模态脑影像数据能够获取与疾病相关的更加综合的信息,对AD的早期诊断具有重要的临床价值。多模态脑影像特征通常维度较高,而使用单分类器对高维数据进行分类时通常时间复杂度高且分类效果差。因此,本研究从集成学习方法角度出发,使用多模态特征对早期MCI、晚期MCI、AD及正常老年组进行了分类研究,以期实现计算机辅助诊断。主要工作如下:(1)数据收集整理。收集四组被试的sMRI数据、PET数据和DTI数据,并对每种模态的原始数据进行预处理,降低图像噪声,为后续特征提取做准备。(2)特征提取。对预处理后的sMRI和PET数据采用了两种不同的特征提取方法,第一种是基于AAL模板的特征提取方法;第二种是基于显著性检验的特征提取方法。对预处理后的DTI图像,首先得到各向异性(FA)和平均弥散率(MD)图谱,然后分别对四组被试的FA图和MD图进行显著性分析,提取每个被试差异脑区的FA、MD值作为分类特征。(3)集成学习方法研究。近几年在AD研究领域,集成学习方法成为了机器学习领域的研究热点。本研究提出了PCA-FLDA集成分类器,其基本原理是通过PCA方法得到不同能量的特征子空间,利用每个特征子空间分别训练得到基分类器,最后多个基分类器通过加权投票机制得到最终的分类结果,其次本研究在以往研究的基础上实现了一种多分类器加权投票集成分类方法,该方法是将线性判别分析、朴素贝叶斯、SVM、BP神经网络和Adaboost五种分类器利用加权投票策略集成。(4)分类实验。研究结果发现,采用相同的分类方法时,差异显著的感兴趣区特征比全脑特征获得的分类效果好;采用相同的分类特征时,集成分类器的分类效果均优于单分类器;结合多模态特征比单模态特征获得的分类效果好;采用多分类器投票集成分类方法进行四组间两两分类实验时,分类准确率并没有明显的提高,且耗时远远多于单分类器及PCA-FLDA分类器。而采用PCA-FLDA集成分类器进行四组间两两分类实验时,分类效果有明显的改善,且时间复杂度低。本文给出的PCA-FLDA集成分类器能够在一定程度上提高分类准确率同时降低分类准确率对前期特征空间选择的依赖。实验中以三种模态差异显著脑区特征的组合进行分类时,在AD vs.NC、AD vs.EMCI、AD vs.LMCI、EMCI vs.LMCI、EMCI vs.NC以及LMCI vs.NC之间分类准确率分别为95.65%、88.64%、82.35%、86.05%、60.53%和77.78%。
【关键词】：集成学习 多模态特征 阿尔茨海默病 轻度认知障碍 AD辅助诊断
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R749.16;TP391.41
【目录】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 绪论10-20
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-15
• 1.2.1 多模态脑成像技术在AD诊断中的应用11-14
• 1.2.2 集成学习方法在AD分类中的应用14-15
• 1.3 主要研究内容15-17
• 1.4 本文的结构安排17-18
• 1.5 本章小结18-20
• 第二章 多模态影像数据20-24
• 2.1 脑影像数据分类基本流程20-21
• 2.2 多模态脑影像21-23
• 2.2.1 结构磁共振成像21
• 2.2.2 正电子发射断层扫描21-22
• 2.2.3 弥散张量成像22-23
• 2.3 本章小结23-24
• 第三章 研究方案基础理论24-40
• 3.1 主成分分析24-25
• 3.2 分类算法基础理论25-34
• 3.2.1 Fisher线性判别分析25-27
• 3.2.2 朴素贝叶斯分类器27-28
• 3.2.3 BP神经网络分类器28-30
• 3.2.4 支持向量机分类器30-33
• 3.2.5 Adaboost分类器33-34
• 3.3 分类器集成34-38
• 3.3.1 分类器集成的概念34-36
• 3.3.2 基分类器的构建36-37
• 3.3.3 集成策略37-38
• 3.4 本章小结38-40
• 第四章 多模态数据预处理及特征提取40-52
• 4.1 实验数据40-42
• 4.1.1 ADNI数据集40-41
• 4.1.2 入组被试信息41-42
• 4.2 数据预处理42-47
• 4.2.1 MRI数据预处理42-44
• 4.2.2 FDG-PET数据预处理44-45
• 4.2.3 DTI数据预处理45-47
• 4.3 特征提取及特征选择47-50
• 4.3.1 基于AAL模板的特征提取47
• 4.3.2 基于显著性分析的特征提取47-50
• 4.4 本章小结50-52
• 第五章 PCA-FLDA分类模型的构建52-62
• 5.1 多分类器投票集成分类器52-53
• 5.2 PCA-FLDA集成分类模型53-54
• 5.2.1 基分类器的生成53
• 5.2.2 PCA-FLDA集成分类模型53-54
• 5.3 分类实验结果与讨论54-60
• 5.3.1 全脑特征与差异显著脑区特征分类结果54-56
• 5.3.2 单模态特征与多模态特征分类结果56-58
• 5.3.3 PCA-FLDA与其他分类器分类结果对比58-60
• 5.4 本章小结60-62
• 第六章 总结与展望62-66
• 6.1 总结62-63
• 6.2 展望63-66
• 参考文献66-72
• 附录 172-74
• 致谢74-76
• 攻读硕士学位期间发表论文76

【相似文献】

中国期刊全文数据库 前8条

1 吴莲英;冯玉雄;;中医英语课堂多模态教学模式的设计与案例[J];广西中医药大学学报;2012年03期

2 佟正灏;王荣福;;多模态影像技术在临床中的应用进展[J];CT理论与应用研究;2014年04期

3 贺伟;周银玲;;多模态教学在护理实训中的应用浅析[J];中国教育技术装备;2014年12期

4 李乔亮;易万贯;陈昕;郭燕荣;郑永平;郭静宜;张治国;;融合实时超声影像的多模态肌肉运动特性研究[J];中国生物医学工程学报;2012年04期

5 许鹏君;孙钢;;多模态MR技术在前列腺癌诊断中的应用[J];功能与分子医学影像学(电子版);2013年02期

6 董跃福;董英海;胡广洪;张华;胡杨;徐卿荣;;多模态医学影像数据融合三维构建肢体肿瘤及其周围解剖整体结构[J];临床骨科杂志;2011年01期

7 魏超刚;李凯;肖莉;沈钧康;;前列腺癌基因治疗及多模态成像研究进展[J];放射学实践;2014年05期

8 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 王爱东;谷珍;杨燕平;白鹤;;多媒体多模态教学在民办高校大学英语教学中的适用性及效果研究[A];语言与文化研究（第十四辑）[C];2014年

2 张霄军;;多模态语料库:抢救濒危语言的有效途径[A];民族语言文字信息技术研究——第十一届全国民族语言文字信息学术研讨会论文集[C];2007年

3 夏凡;王宏;;多模态情感数据标注方法与实现[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

4 赵贤;;多模态基底系统性质研究[A];2010年全国应用逻辑研讨会会议论文集[C];2010年

5 张友安;胡云安;周绍磊;;Hammerstein系统的多模态模型及其两步辨识法[A];1996中国控制与决策学术年会论文集[C];1996年

6 钟若飞;郭华东;王为民;朱博勤;;SZ-4多模态传感器辐射模态数据处理与应用评价研究[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

7 康志峰;;口译中多模态的AA研究[A];第十四届全国科技翻译研讨会论文汇编[C];2011年

8 黄俊辉;李文政;李学军;;基于多模态医学影像数据的计算机辅助医疗设计与肿瘤精确治疗[A];中国肿瘤内科进展 中国肿瘤医师教育（2014）[C];2014年

9 孟祥亮;史元春;杨欣;;基于分层原语的多模态输入统一访问接口[A];第四届和谐人机环境联合学术会议论文集[C];2008年

10 郭华东;王为民;朱博勤;;多模态传感器辐射模态数据在SZ-4飞船模拟验证研究[A];全国国土资源与环境遥感技术应用交流会论文文集[C];2004年

中国重要报纸全文数据库 前2条

1 记者 刘垠;在分子水平上认识疾病[N];大众科技报;2009年

2 罗绵卫 王建成;中国航天科工高分专项实现零突破[N];中国航天报;2011年

中国博士学位论文全文数据库 前10条

1 高静;信息物理融合系统中基于多模态数据的事件监测问题研究[D];哈尔滨工业大学;2015年

2 侯涛;多信息融合滤波的多模态智能控制在高速列车速度控制中的研究[D];兰州交通大学;2015年

3 张征;英语课堂多模态读写能力实证研究[D];山东大学;2011年

4 李宝磊;多元优化过程记忆算法及动静条件下多模态寻优研究[D];云南大学;2015年

5 潘鸣威;多模态视角下的口语交际能力：重构与探究[D];上海外国语大学;2011年

6 逯波;多模态媒体信息检索技术研究[D];东北大学;2013年

7 谭帅;多模态过程统计建模及在线监测方法研究[D];东北大学;2012年

8 王洋;多模态图像检索技术[D];中国科学技术大学;2013年

9 张志坚;多模态生物特征识别融合算法的研究[D];中国科学技术大学;2008年

10 刘亚楠;多模态特征融合和变量选择的视频语义理解[D];浙江大学;2010年

中国硕士学位论文全文数据库 前10条

1 刘洁;大学英语课堂中的多模态话语对学生多元识读能力的影响[D];西南大学;2015年

2 邵荣;牛津版高中英语教材的多模态语篇分析[D];西南大学;2015年

3 王玉竹;中美报刊政治漫画的批评性多模态话语分析[D];西南大学;2015年

4 周德英;基于多模态互动意义的公益广告研究[D];华南理工大学;2015年

5 蒋迪;计划生育宣传画的多模态语篇分析[D];天津商业大学;2015年

6 宋康利;概念整合理论视角下平面广告中的多模态隐喻研究[D];湖南工业大学;2015年

7 张君艳;中国文化网主页的多模态话语分析[D];华中师范大学;2015年

8 凌霄;基于多模态话语分析的平面商业广告英汉翻译研究[D];广东外语外贸大学;2015年

9 杨晓倩;多模态语篇分析[D];宁夏大学;2015年

10 葛欣;中职英语物流词汇多模态教学模式探究[D];闽南师范大学;2015年

  本文关键词：基于集成学习的多模态AD辅助诊断模型研究，，由笔耕文化传播整理发布。

本文编号：392817