基于多模态磁共振图像的脑龄预测研究

发布时间：2021-06-11 20:12

　　基于磁共振图像的人脑发育和老化研究是神经科学领域的热点研究问题。前人的研究表明,人脑结构及功能均随发育及老化有明显改变。这一结论提示我们,可以基于磁共振图像,结合机器学习方法,对个体脑龄进行预测。另有研究表明,特定神经精神疾病患者的脑龄与其生理年龄之间存在明显偏差。因此,研究人员认为个体脑龄预测可客观评估个体发育及老化水平,对特定神经精神疾病的辅助诊断具有重要价值,如阿尔兹海默病及注意缺陷多动障碍等。本研究基于多模态磁共振图像提取的脑结构及功能信息,结合半监督协同回归、弹性网及随机森林等机器学习算法,进行个体脑龄预测。具体研究工作如下:（1）基于静态脑网络特征的成人脑龄预测研究。基于73名30-85岁的成人样本的弥散张量图像（DTI）及功能磁共振图像（fMRI）,分别提取了各向异性分数（FA）和功能连接（RSFC）作为特征,串联FA值与RSFC,结合协同训练算法构建脑龄预测模型。实验结果表明,基于静态脑网络特征可达到较好的脑龄预测结果:预测年龄与生理年龄的相关系数R=0.78（平均绝对误差MAE=8.39岁）。最优预测中,FA值特征贡献度大于RSFC特征,这可能说明FA值较RSFC对脑... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

图２－１?ｐ＝２时最优预测情况下预测年龄与生理年龄拟合曲线（ｋ＝３?［Ａ］，ｋ＝６［Ｂ］，ｋ＝１０?［Ｃ］）．??Ｆｉｇ．?２－１?Ｔｈｅ?ｐｌｏｔｓ?ｏｆ?ｔｈｅ?ｅｓｔｉｍａｔｅｄ?ｖｅｒｓｕｓ?ｃｈｒｏｎｏｌｏｇｉｃａｌ?ａｇｅｓ?ｂａｓｅｄ?ｏｎ?ｐ＝２?ａｎｄ?ｋ＝３?（Ａ），?ｋ＝６?

从以上的４４１种（４９种特征组合情况Ｘ３种ｐ值Ｘ３种ｋ值）组合结果中，列??出预测年龄与生理年龄相关系数最高的８组结果，并计算出相关系数最高情况下??的ＦＡ特征在全部特征中所占比例，见表２－１０，

本集（每个样本的容量都与原始训练集一样），然后基于这些抽取出来的样本集进??行决策树训练建模，组合所有决策树的判决结果，并得出新输入样本的最终预测??结果。下图３－１是一个随机森林的构建过程。??ｊ自动样本集ｉ?树学习器１?＼??／??全部训练样本自动样本集ｉ?＞树学习器ｉ?随机森林?Ｈ？投票／平均??＼??￥自动样本集女?＞?树学习器ｋ?／??图３－１随机森林流程图??Ｆｉｇ．?３－１?Ｔｈｅ?ｆｌｏｗ?ｏｆ?ｔｈｅ?ｒａｎｄｏｍ?ｆｏｒｅｓｔ?ａｌｇｏｒｉｔｈｍ??有研究发现，ｂｏｏｔｓｒａｐ重抽样的结果是，原始样本中大概有三分之一的样本不??会被选中作决策树的建模训练集，这些未被选中的样本称作这棵决策树的“袋外??样本（ｏｕｔ－ｏｆ－ｂａｇ）”。袋外样本的存在，可以用作该决策树的测试集，从而可以通??过计算所有的决策树的袋外样本预测误差，来确定随机森林算法模型误差的内部??估计。??另外，随机森林算法通常还会根据基尼指数（Ｇｉｎｉ?Ｉｎｄｅｘ）准则，采用最佳二??元分类方法作为拆分节点的依据。基尼指数也可以用于评估模型中，训练特征的??贡献程度或重要性，具体地，可通过计算模型中所有节点处的基尼指数的减少程??度的总和

【参考文献】：
期刊论文
[1]基于分歧的半监督学习[J]. 周志华.  自动化学报. 2013(11)

硕士论文
[1]基于Lasso类方法的指数跟踪问题研究[D]. 谢仪.太原理工大学 2015
[2]基于特征空间变换的半监督学习[D]. 章文.中国科学技术大学 2009



本文编号：3225203