基于优化支持向量机的阿尔茨海默病早期分类算法研究
发布时间：2021-06-08 17:29
阿尔茨海默病（AD）是60岁以上老年人患病率最高的疾病,轻度认知障碍（MCI）是AD的早期阶段,具有高转化为AD的风险,分为转化型MCI（cMCI）和稳定型MCI（sMCI）。支持向量机（Support vector machine,SVM）能够用于分类识别,然而模型参数的选择对其分类结果具有较大影响。因此,本文以结构磁共振成像（MRI）数据为基础结合优化理论,提出基于优化SVM的AD早期分类算法,具体工作如下:首先,提出了一种基于嵌套CV-SVM模型的阿尔茨海默病综合诊断算法,全面识别AD和其早期阶段MCI的六种分类任务。通过高斯径向基（RBF）核函数建立非线性支持向量机分类器,并与嵌套交叉验证（CV）相结合,使内层嵌套选择最优参数。执行分类任务前,需要对MRI图像进行预处理,提取ROI的灰质体积（GMV）特征作为分类标志物。结果显示六种任务取得了较好的分类效果,其中sMCI和cMCI组的获得了77.79%准确率,比基本的SVM提高了11.42%,与DT和KNN分类器相比,分别提高了14.57%和12.88%。其次,提出了一种基于AMPSO-SVM模型的阿尔茨海默病早期诊断算法,主要...
【文章来源】：曲阜师范大学山东省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
SVM原始空间到高维空间的映射过程
第1章绪论51.3本文主要工作和文章结构安排通过深入分析阿尔茨海默病诊断的研究现状，发现在诸多机器学习方法中，最受亲睐的仍然是SVM分类器。然而，SVM分类性能很多大程度上会受其核参数和正则化参数选择的影响，通过对其参数进行调整仍然存在很大的空间来进一步提高其在AD早期诊断中的识别效果。因此，本文基于MRI数据，针对SVM模型的参数选取问题，提出基于优化支持向量机参数的的AD早期分类算法。本文共分为六个章节，图1.2给出了文章结构示意图，各个章节的具体内容如下：图1.2文章结构示意图第一章是绪论，该部分将阐述论文的究背景，分析国内外阿尔茨海默病早期诊断的发展现状和趋势，最后简单介绍一下本文主要工作以及文章结构安排。第二章为相关理论知识，简单描述结构磁共振成像技术，灰质结构常用的分析方法VBM和ADNI数据库；重点介绍支持向量机模型，包括其理论基储划分类型以及核函数等知识；最后，对分类器性能评估方法以及度量指标进行阐述。第三章设计一种基于嵌套交叉验证优化支持向量积模型的阿尔茨海默病和轻度认知障碍综合诊断框架。探讨全脑灰质体积（GMV）作为特征是否能对NC、sMCI、cMCI和
第2章相关知识基础8图2.1T1和T2加权的结构磁共振成像图2.2大脑结构磁共振三维成像图2.2灰质体积分析方法对大脑灰质（GrayMatter,GM）结构进行分析主要使用基于体素的形态学分析方法（VBM）和基于表面的形态学分析方法（SBM），本文采用的是VBM分析方法。基于体素的形态学分析（Voxel-BasedMorphometry,VBM）[54]是研究全脑及局部脑区灰质体积的一种有效方法，提供了一些大脑形态学的指标，能够准确估计全脑灰质密度或体积变化。VBM不需要借助任何的先验知识进行假设，自John等人正式提出后，受到研究者的广泛关注，它可以在体素的尺度上分析人脑的MRI数据，通过对大脑灰质（GM）、白质（WM）的体积、密度进行计算，从而精确的评估大脑组织形态学的变化。VBM的基本流程如下：首先将收集到的不同个体大脑MRI影像通过空间标准化转化到同一空间坐标内，之后执行脑组织分割操作，将其分成GM、WM和脑脊液（CSF）并进行平滑，最后对平滑后的图像进行相应的建模分析。相较于传统的人工绘制感兴趣区（ROI）的方法，VBM方法具备测量精度高和可重复性等优势。
【参考文献】：
期刊论文
[1]少子老龄化背景下我国养老金收支失衡问题及对策研究——以辽宁省为例[J]. 张荣. 经济经纬. 2017(04)
[2]改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测[J]. 周建友,张凯威. 计算机工程与应用. 2015(19)
[3]基于机器学习的脑网络分析方法及应用[J]. 张道强,接标. 数据采集与处理. 2015(01)
[4]人脑连接组研究:脑结构网络和脑功能网络[J]. 梁夏,王金辉,贺永. 科学通报. 2010(16)
[5]基于体素的MRI形态学测量对遗忘型轻度认知障碍和轻度阿尔茨海默病脑灰质萎缩的研究[J]. 李亚迪,何慧瑾,冯晓源,丁玎,汤伟军,赵倩华. 中国临床神经科学. 2010(03)
博士论文
[1]基于群智能优化的机器学习方法研究及应用[D]. 赵东.吉林大学 2017
[2]灰质体积作为阿尔茨海默病潜在生物标记物的研究及基层医疗机构阿尔茨海默病辅助识别系统的初步建立[D]. 郭艳娥.中国人民解放军医学院 2014
[3]轻度认知障碍和阿尔兹海默病脑形态异常的磁共振影像研究[D]. 姚志军.兰州大学 2011
硕士论文
[1]阿尔茨海默病磁共振图像的特征选择方法研究[D]. 孙富军.山东师范大学 2017
[2]基于磁共振影像脑疾病分类的模式识别方法研究[D]. 毕文伟.电子科技大学 2016
[3]静息态BOLD-fMRI在轻度认知障碍和阿尔茨海默病中的应用[D]. 刘敏.山西医科大学 2012
本文编号：3218874
【文章来源】：曲阜师范大学山东省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
SVM原始空间到高维空间的映射过程
第1章绪论51.3本文主要工作和文章结构安排通过深入分析阿尔茨海默病诊断的研究现状，发现在诸多机器学习方法中，最受亲睐的仍然是SVM分类器。然而，SVM分类性能很多大程度上会受其核参数和正则化参数选择的影响，通过对其参数进行调整仍然存在很大的空间来进一步提高其在AD早期诊断中的识别效果。因此，本文基于MRI数据，针对SVM模型的参数选取问题，提出基于优化支持向量机参数的的AD早期分类算法。本文共分为六个章节，图1.2给出了文章结构示意图，各个章节的具体内容如下：图1.2文章结构示意图第一章是绪论，该部分将阐述论文的究背景，分析国内外阿尔茨海默病早期诊断的发展现状和趋势，最后简单介绍一下本文主要工作以及文章结构安排。第二章为相关理论知识，简单描述结构磁共振成像技术，灰质结构常用的分析方法VBM和ADNI数据库；重点介绍支持向量机模型，包括其理论基储划分类型以及核函数等知识；最后，对分类器性能评估方法以及度量指标进行阐述。第三章设计一种基于嵌套交叉验证优化支持向量积模型的阿尔茨海默病和轻度认知障碍综合诊断框架。探讨全脑灰质体积（GMV）作为特征是否能对NC、sMCI、cMCI和
第2章相关知识基础8图2.1T1和T2加权的结构磁共振成像图2.2大脑结构磁共振三维成像图2.2灰质体积分析方法对大脑灰质（GrayMatter,GM）结构进行分析主要使用基于体素的形态学分析方法（VBM）和基于表面的形态学分析方法（SBM），本文采用的是VBM分析方法。基于体素的形态学分析（Voxel-BasedMorphometry,VBM）[54]是研究全脑及局部脑区灰质体积的一种有效方法，提供了一些大脑形态学的指标，能够准确估计全脑灰质密度或体积变化。VBM不需要借助任何的先验知识进行假设，自John等人正式提出后，受到研究者的广泛关注，它可以在体素的尺度上分析人脑的MRI数据，通过对大脑灰质（GM）、白质（WM）的体积、密度进行计算，从而精确的评估大脑组织形态学的变化。VBM的基本流程如下：首先将收集到的不同个体大脑MRI影像通过空间标准化转化到同一空间坐标内，之后执行脑组织分割操作，将其分成GM、WM和脑脊液（CSF）并进行平滑，最后对平滑后的图像进行相应的建模分析。相较于传统的人工绘制感兴趣区（ROI）的方法，VBM方法具备测量精度高和可重复性等优势。
【参考文献】：
期刊论文
[1]少子老龄化背景下我国养老金收支失衡问题及对策研究——以辽宁省为例[J]. 张荣. 经济经纬. 2017(04)
[2]改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测[J]. 周建友,张凯威. 计算机工程与应用. 2015(19)
[3]基于机器学习的脑网络分析方法及应用[J]. 张道强,接标. 数据采集与处理. 2015(01)
[4]人脑连接组研究:脑结构网络和脑功能网络[J]. 梁夏,王金辉,贺永. 科学通报. 2010(16)
[5]基于体素的MRI形态学测量对遗忘型轻度认知障碍和轻度阿尔茨海默病脑灰质萎缩的研究[J]. 李亚迪,何慧瑾,冯晓源,丁玎,汤伟军,赵倩华. 中国临床神经科学. 2010(03)
博士论文
[1]基于群智能优化的机器学习方法研究及应用[D]. 赵东.吉林大学 2017
[2]灰质体积作为阿尔茨海默病潜在生物标记物的研究及基层医疗机构阿尔茨海默病辅助识别系统的初步建立[D]. 郭艳娥.中国人民解放军医学院 2014
[3]轻度认知障碍和阿尔兹海默病脑形态异常的磁共振影像研究[D]. 姚志军.兰州大学 2011
硕士论文
[1]阿尔茨海默病磁共振图像的特征选择方法研究[D]. 孙富军.山东师范大学 2017
[2]基于磁共振影像脑疾病分类的模式识别方法研究[D]. 毕文伟.电子科技大学 2016
[3]静息态BOLD-fMRI在轻度认知障碍和阿尔茨海默病中的应用[D]. 刘敏.山西医科大学 2012
本文编号：3218874
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3218874.html
