支持向量机在阿尔茨海默症演变过程中的多模态和纵向分类研究

发布时间：2020-05-28 07:06

【摘要】：阿尔茨海默症是一种多发于老年人的神经退行性疾病,其起病隐匿,而轻度认知障碍是介于健康老年人和阿尔茨海默症之间的过渡阶段.健康老年人通常被定义为正常对照组.磁共振影像技术可以无创地显示脑组织的结构和功能,将其与机器学习中的多元模式分析方法结合起来,可以有效地进行疾病分类研究.本文采用支持向量机方法对健康老年人、轻度认知障碍患者和阿尔茨海默症患者的磁共振影像进行脑结构的差异分析和分类研究,希望探索一种基于大数据和人工智能相结合的的阿尔茨海默症的诊断模式.同时,我们对不同年龄段的正常衰老群体的功能磁共振影像进行分类研究,旨在从方法学的角度上为阿尔茨海默症的功能研究提供新线索.主要工作内容如下:第一章:首先,介绍阿尔茨海默症的研究背景、研究意义和国内外研究现状.接着,介绍多模态(结构/弥散/功能)磁共振成像的基本原理和应用,以及本文使用的影像数据库—阿尔茨海默症神经影像数据库和剑桥衰老和神经科学中心数据库.阿尔茨海默症经影像数据库包含健康老年人、多种亚型的轻度认知障碍患者和阿尔茨海默症患者,旨在从不同角度分析阿尔茨海默症演变过程中的病理机制.剑桥衰老和神经科学中心数据库包含从18～88岁的正常衰老人群,能够为正常衰老和阿尔茨海默症之间的大脑差异和重叠的特征提供新线索.最后,概述本文的主要研究内容.第二章:介绍支持向量机的理论基础.首先,阐述机器学习在神经影像学中的研究流程.接着,对支持向量机的基本原理和核函数方法进行阐述.最后,介绍支持向量机的应用研究和高维特征的解决策略.第三章:对阿尔茨海默症患者和健康老年人的大脑结构磁共振影像数据的皮层特征进行组间统计分析和分类研究.首先,对被试的大脑结构磁共振影像数据进行预处理,得到皮层厚度、表面积、灰质体积、曲率和沟深5个参数.然后,根据组间的统计分析结果发现双侧内嗅皮质和左内侧眶额回的差异最为显著.接着,采用递归特征消除法进行特征选择,并使用支持向量机结合留一交叉验证法进行单参数分类和多参数融合分类,比较特征选择前后的分类性能.此外,绘制受试者工作特征曲线和曲线下面积去验证分类器模型的鲁棒性.结果显示多参数融合获得最高的分类准确率为90.76%,且分类模型具有很好的鲁棒性(曲线下面积为0.94).最后,采用不同参数的特征选择时权重值排名前二的特征构建二维平面的支持向量机分类器,发现其分类性能与特征选择的效果相关.第四章:使用支持向量机和逻辑回归算法对阿尔茨海默症患者、早期轻度认知障碍患者、晚期轻度认知障碍患者和健康老年人的弥散磁共振影像数据进行分类研究.首先,对所有被试的弥散磁共振影像数据进行预处理,得到各项异性分数、平均弥散度、轴向弥散、径向弥散、斯皮尔曼相关系数的局部弥散同质性和肯德尔和谐系数的局部弥散同质性这6个参数.接着,使用支持向量机和逻辑回归算法对特征选择后的参数进行组间分类比较,并使用置换检验确定多参数分类准确率是否显著高于随机情况.此外,绘制受试者工作特征曲线去验证分类器模型的性能.结果表明支持向量机的分类性能要优于逻辑回归,且多参数融合的分类效果比单参数的分类效果更佳.最后,将有识别力的白质特征列举出来,发现钩束、扣带回、胼胝体、放射冠、外囊和内囊是对四组人群分类有显著贡献的特征.这些结果表明多类型与多区域的大脑白质特征能够有效地提高阿尔茨海默症和轻度认知障碍的诊断准确性.第五章:对不同年龄段的大脑静息态功能磁共振影像数据进行分类研究.首先,将18～88岁的剑桥衰老和神经科学中心数据集分成青年组(18～39岁)、中年组(40～59岁)和老年组(60～88岁),对所有被试的静息态功能磁共振影像数据进行预处理(包括回归全脑信号和不回归全脑信号),得到了基于同伦区的内在连通性图谱的全脑和左右半球的功能连接强度作为分类参数.接着,采用递归特征消除法进行特征选择,并使用支持向量机进行分类,结果显示特征选择前后的分类性能得到了提高.此外,绘制受试者工作特征曲线及曲线下面积去验证分类器的鲁棒性.然后,将有识别力的特征与衰老的生理机制联系起来.最后,采用人脑连接组图谱提取特征并进行分类研究,以验证不同图谱对于分类的适用性.第六章:对阿尔茨海默症患者、稳定型轻度认知障碍患者、转化型轻度认知障碍患者和健康老年人的纵向结构影像数据进行统计分析与分类研究.首先,在数据预处理中提取所有被试的全脑灰质体积作为分类参数,对比不同时间点的组间全脑灰质体积模式差异和同一组内部的灰质体积纵向变化模式的差异,发现健康老年人在发展为轻度认知障碍和阿尔茨海默症的过程中,大脑灰质是一个渐进变化的过程,也从影像学上证明了轻度认知障碍是健康老年人发展为阿尔茨海默症的过渡阶段,并发现在病变过程中额叶和边缘叶是损伤最为严重的脑区.接着,采用纵向特征融合策略,使用支持向量机结合嵌套的留一交叉验证法来构建分类模型,发现纵向特征融合策略有助于提高分类性能.最后,我们把对分类有显著贡献的特征与阿尔茨海默症的病理学表现进行关联分析.
【图文】：

子核,恒定磁场

图１－１：对l#厚子核施加恒定磁场逡逑为使自身恢复到低能态而把能量转移给周围环境之间的过程就是纵向弛豫，所需时间称逡逑为纵向她豫时间，用７１表示（图１－２邋（ａ））；为使自身恢复到低能态，高能态自旋核与相邻逡逑的低能态自旋核之间的能f埥换还叹褪呛嵯蛩ィ枋奔涑莆嵯虺谠ナ奔洌酚茫裕插义媳硎荆ㄍ迹保插澹ǎ猓谒ス讨校笄庠雍朔⑸涞穆龀寰褪撬杉暮舜殴舱裥藕牛义侠眉扑慊际醵愿肣\0号进行图像重建并转化为灰度图像，就得到了磁共振图像．不同逡逑的脑组织中的氢原子返回它们最初的自旋情况的速度是不同的，因此结构磁共振可逡逑分不同的脑组织（灰质、自质和脑脊液），如图１－３所示．通过设置不同的成像参数，我们逡逑可以得到乃像、加权像、ｒ２像、乃加权像等不同对比度的脑组织．逡逑⑻逦（ｂ）逡逑Ｍｚ逦Ｍｘｙ逡逑１００％邋邋逦逦逦逦邋１００％邋逦逡逑６３％邋４－逦逡逑Ｉ逦３７％邋逦逦逡逑Ｚ邋＼逦，邋ｌ逦逦！逡逑ｔ，，逦ｃ逦ｒ２逦ｔ逡逑图１－２：弛豫过程示意图．（ａ

示意图,磁共振,大脑,成像

未加外磁场时原子核的分布逦施加外磁场后原子核的分布逡逑图１－１：对l#厚子核施加恒定磁场逡逑为使自身恢复到低能态而把能量转移给周围环境之间的过程就是纵向弛豫，所需时间称逡逑为纵向她豫时间，用７１表示（图１－２邋（ａ））；为使自身恢复到低能态，高能态自旋核与相邻逡逑的低能态自旋核之间的能f埥换还叹褪呛嵯蛩ィ枋奔涑莆嵯虺谠ナ奔洌酚茫裕插义媳硎荆ㄍ迹保插澹ǎ猓谒ス讨校笄庠雍朔⑸涞穆龀寰褪撬杉暮舜殴舱裥藕牛义侠眉扑慊际醵愿肣\0号进行图像重建并转化为灰度图像，就得到了磁共振图像．不同逡逑的脑组织中的氢原子返回它们最初的自旋情况的速度是不同的，因此结构磁共振可逡逑分不同的脑组织（灰质、自质和脑脊液），如图１－３所示．通过设置不同的成像参数，我们逡逑可以得到乃像、加权像、ｒ２像、乃加权像等不同对比度的脑组织．逡逑⑻逦（ｂ）逡逑Ｍｚ逦Ｍｘｙ逡逑１００％邋邋逦逦逦逦邋１００％邋逦逡逑６３％邋４－逦逡逑Ｉ逦３７％邋逦逦逡逑Ｚ邋＼逦
【学位授予单位】：华南理工大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：R749.16;TP181

【参考文献】