基于多模态磁共振脑影像特征的精神分裂症自动分类及个体化预测研究

发布时间：2020-06-06 13:45

【摘要】：精神分裂症(Schizophrenia,SZ)是一种严重的精神疾病,临床症状主要包括幻觉、妄想、情感淡漠、注意力及工作记忆损害等。SZ的临床诊断缺乏客观生物标记物,容易造成误诊、漏诊。本文基于多模态磁共振影像(Magnetic resonance imaging,MRI)数据对SZ进行自动分类和个体化预测研究,系统比较了不同模式分类和模式回归算法,同时对分类和预测时权重最大的脑区进行分析及讨论。本文的主要研究内容如下:1)本研究采集了 61名首发精神分裂症(First Episode Schizophrenia,FESZ)患者、79名慢性精神分裂症(Chronic Schizophrenia,CSZ)患者和205名健康对照(Normal Controls,NC)的结构MRI、静息态功能MRI以及弥散张量成像(Diffusion Tensor Imaging),基于人类脑连接图谱(Human Brainnettome Atlas)计算246个脑区的灰质体积、白质体积、度中心度、低频振荡振幅和局部一致性等,并基于白质划分图谱(white matter parcellationmap)计算50个白质区域的分数各向异性、平均弥散率、轴向弥散率和径向弥散率等九种脑影像特征。采用以上九种多模态脑影像特征作为分类器的输入,基于嵌套交叉验证法评价k近邻法、线性支持向量机、逻辑斯谛回归、线性判别分析和随机森林等五种模式分类算法研究SZ患者组/NC组和FESZ患者组/CSZ患者组的分类效果。我们发现相比于仅仅使用单个模态的分类器,结合三个模态特征的分类器有效地提高了分类的准确率。而且发现线性支持向量机和随机森林这两个分类器的分类效果要优于其他的分类器,最高准确率为85%。进一步发现脑功能影像特征在区分NC和SZ患者时贡献较大,且脑结构影像特征对于区分FESZ患者和CSZ患者时贡献较大。2)采用和分类研究相同的特征,我们采用最小二乘回归、岭回归、LASSO回归、线性支持向量回归和弹性网正则化线性回归等五种模式回归算法对SZ患者的阳性与阴性症状量表(Positive and Negative syndrome scales,PANSS)评分进行个体化预测研究,结果表明基于弹性网正则化线性回归预测得到的评分和实际评分相关程度最高(r=0.43),线性支持向量回归和岭回归也都取得了显著的预测结果。对预测贡献最大的脑区主要集中在额叶和颞叶。本文基于多模态磁共振脑影像特征,对比了不同的模式分类和模式回归算法,实现了对SZ患者较高的分类准确率,同时对SZ患者PANSS总评分的预测具有显著性。研究结果对于构建SZ辅助诊断系统的算法选型提供一定的参考,为SZ患者在个体水平下疾病状态的评估提供一定的参考。
【图文】：

Ｆｉｇ．邋２－１邋Ｔｈｅ邋ｆｌｏｗ邋ｃｈａｒｔ邋ｏｆ邋ｆＭＲＩ邋ｄａｔａ邋ｐｒｅｐｒｏｃｅｓｓｉｎｇ．逡逑对于ｓＭＲＩ数据，本次研宄使用ＳＰＭ１２软件中ＶＢＭ：工具包对每一个受试者的ｓＭＲＩ逡逑数据进行预处理，将大脑分割为灰质、白质和脑脊液。具体步骤如下（见图２－２）：邋１）逡逑调整原点；为了更好地将图像配准到ＭＮＩ标准空间中，将所有的ｓＭＲＩ数据的原点调整逡逑到前联合的位置；２）空间标准化：运用氋维度的ＤＡＲＴＥＬ方法将图像标准化到ＭＮＩ逡逑标准空间；３）分割：将空间标准化之后的图像分割成灰质，白质和脑脊液；４）调制：逡逑分割后调制灰质图像，消除空何标准化过程中受试者大脑个体差异引起的体积变化；５）逡逑平滑：将分割和调制之后的图像采用８ｍｍ的高斯核进行平滑。逡逑１６逡逑

Ｆｉｇ．邋２－３邋Ｔｈｅ邋ｆｌｏｗ邋ｃｈａｒｔ邋ｏｆ邋ＤＴＩ邋ｄａｔａ邋ｐｒｅｐｒｏｃｅｓｓｉｎｇ．逡逑态磁共振脑影像特征提取逡逑小节中，各个模态数据已经进行了预处理《接下来继续进行特征提取。逡逑脑连接图谱逡逑接堘谱（Ｈｕｍａｎ邋Ｂｒａｉｎｎｅｔｔｏｍｅ邋Ａｔｌａｓ，邋ＢＮＡ，邋ｈｔｔｐ：／／ａｔｌａｓ．ｂｒａｉｎｎｅｔｏｍｅ．ｏｒｇ／）国科学院ｆｌ动化研究所公布的，该图谱将大脑划分为２４６个]P域（每，包含２１０个皮层区域和３６个皮层下区域，并且提供每个脑ＪＫ详细息以及功能特征，ＢＮＡ的脑区分布及具体脑区信息见图２－４和附录一些研宄用来划分大脑进行功能连接和脑网络分析［５９］，在本研究中，，将大脑分割为２４６个Ｒ０Ｉ进行特征提取。逡逑
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445.2;R749.3;TP181

【相似文献】

相关期刊论文 前10条

1 宋妩英;董建梅;李炳楠;;多模态与词汇附带习得实证研究综述[J];现代交际;2019年19期

2 李炳楠;董建梅;宋妩英;;概念整合理论下的十四运会多模态隐喻分析[J];现代交际;2019年19期

3 王小英;郑佩芸;;多模态文本在大学英语阅读教学中的应用研究[J];上海第二工业大学学报;2019年03期

4 王妤娜;;小学语文渗透儿童哲学教育的多模态教学模式[J];福建基础教育研究;2019年09期

5 侯旭京;;多模态隐喻浅析土味情话——基于综艺节目《非常完美》男女嘉宾对话[J];海外英语;2019年22期

6 王芳;;网络多模态环境下大学生外语学习焦虑及干预策略[J];海外英语;2019年21期

7 肖芳英;;多模态教学模式在大学英语精读教学中的运用窥探[J];校园英语;2019年49期

8 黄立鹤;张德禄;;多核并行架构:多模态研究的范式、路径及领域问题之辨[J];外语教学;2019年01期

9 赵雨菲;;近五年我国多模态翻译研究综述[J];农家参谋;2019年04期

10 闫雪锋;;多模态话语视域下“翻转课堂”教学模式的改革与探索——以西安职业技术学院公共基础课为例[J];才智;2019年10期

相关会议论文 前10条

1 唐淑华;;文学语篇的语言学研究视角:多模态认知诗学——《多模态、认知和实验文学》评介[A];认知诗学2014年第1辑[C];2014年

2 杜玲莉;王开建;纪再祥;;基于多模态话语理论的大学英语教学改革[A];新教育时代（2015年10月 总第1辑）[C];2015年

3 王琳;;浅析多模态话语分析理论在初中英语写作教学中的应用[A];第二届世纪之星创新教育论坛论文集[C];2015年

4 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

5 张莹;;大学英语课堂的多模态教学研究[A];“决策论坛——基于公共管理学视角的决策研讨会”论文集（下）[C];2015年

6 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

7 张旭;郭晨;孙建波;;自适应多模态克隆选择算法[A];2007年中国智能自动化会议论文集[C];2007年

8 赵广州;;从多模态话语理论角度来看交际教学法中的角色扮演[A];福建省外国语文学会2010年年会论文集[C];2010年

9 李丹;;多模态理论框架下初中英语课堂中多媒体技术使用的必要性和有效性研究[A];外语教育与翻译发展创新研究（第八卷）[C];2019年

10 霍畅;侯婷婷;;基于大学英语翻转课堂的多模态教学研究[A];外语教育与翻译发展创新研究(第六卷）[C];2017年

相关重要报纸文章 前10条

1 西南交通大学外国语学院 罗载兵;多模态隐喻的语义发生[N];中国社会科学报;2019年

2 苏州大学跨文化研究中心、天津职业技术师范大学非盟研究中心 朱玲;多模态：翻译研究的新视角[N];中国社会科学报;2017年

3 中国工程院院士 邬江兴;多模态智慧网络与内生安全[N];中国信息化周报;2018年

4 浙江万里学院外语部 王中祥;多模态研究：认知语言学的新方法[N];中国社会科学报;2017年

5 记者 戴丽昕;共融机器人多模态转变成为发展趋势[N];上海科技报;2017年

6 西北师范大学外国语学院 吕文澎 兰州商学院陇桥学院外国语言文学系 韩世霞;多模态写作的特征与趋势[N];中国社会科学报;2016年

7 同济大学外国语学院 黄立鹤;多模态语言研究发展前景广阔[N];中国社会科学报;2016年

8 记者 张建列 通讯员 冯春;深圳先进院研制出新一代多模态显微系统[N];广东科技报;2016年

9 本报见习记者 辛雨;成像设施，有“图”有“真相”[N];中国科学报;2019年

10 本报记者 顾鸿儒;人工智能尚未到来 多模态融合成为趋势[N];中国电子报;2019年

相关博士学位论文 前10条

1 赵维;基于多模态影像数据的脑网络研究[D];湖南师范大学;2019年

2 曹俊亮;水下滑翔机多模态运动控制与路径规划研究[D];上海交通大学;2016年

3 胡敏;多模态靶向纳米探针在微小肝癌的诊断及光热治疗的实验研究[D];南方医科大学;2018年

4 刘f迢

本文编号：2699764