基于多模态MRI特征分析的阿尔兹海默病分类研究

发布时间：2021-10-31 21:08

　　阿尔兹海默症（Alzheimer’s disease,AD）是中老年人群中最常见的神经退行性疾病,目前尚无准确定量的早期诊断或预测方法且难以有效治愈。随着社会老龄化问题日渐严重,该疾病的诊断和治疗正面临越来越严峻的挑战。磁共振成像（Magnetic Resonance Imaging,MRI）技术能够定量地反映大脑组织在结构和功能上的特征与变化,具有无创、高空间分辨等优点,并已广泛应用于AD诊断研究中。随着MRI多种成像技术的不断发展,基于MRI影像的多种特征参数也正普遍应用于AD临床。且在当前大数据信息时代背景下,这种多特征的融合分析技术越来越占有重要地位。本论文研究提出了一种基于MRI多特征融合的模式识别方法,并尝试用于AD诊断。首先研究优化了构建分类器模型的关键技术环节。基于支持向量机（Support Vector Machine,SVM）模型,本文构建了封装式特征选择及参数优化的分类器模型,通过递归特性消除算法进行特征选择,可选得最优特征子集并降低特征维度;然后使用梯度筛选算法优化SVM模型参数使分类器性能最佳。其次,本文基于脑结构网络并结合脑灰质和白质特征建立了用于AD诊断的... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

阿尔茨海默病的发展过程

标和特征融合思路，通过建立SVM模型对AD进行了自动诊断和病理检测分析 本论文的主要研究思路和内容，如图 1-2 所示 即：针对多个模态的数据，分别从多维结构网络和多模态图像指标两个不同角度进行了特征提取和特征集构建；然后研究特征选择 参数优化与性能评估等 SVM 模型构建方法，分别应用于临床实际 本文主要研究内容包括以下三个部分：1. 使用 SVM 机器学习模型，对比不同的特征选择方法和参数优化算法，构建最优化的 SVM 机器学习模型 2. 基于 DTI 进行大脑结构网络构建，分别提取网络中灰质（脑区节点）白质（结构连接）特征，采用 SVM 模型分析 AD 结构网络的灰质和白质异常；进一步通过灰白质异常的联合分析探究 AD 患者大脑中结构失连接的空间分布与灰质结构的改变存在内在联系，同时启发了从网络的概念进行机器学习分析的基本思路 3. 基于 DTI 与 DKI 和 fMRI 数据，提取 MRI 多模态的影像特征，探究跨模态特征融合的 SVM 机器学习模型在 AD 诊断中的价值

图 2-1 原子核子磁场效应示意图电荷，所以在其自旋时又会产生核磁矩时，由于磁矩和动量矩会同时受到外磁场方向做拉莫尔进动（larmor precessio向，蓝色矢量表示核磁矩 核磁矩的拉0 0 = B比； 为外磁场强度 由(2-1)式可知，场强度和原子核自身特性参数（旋磁比

【参考文献】：
期刊论文
[1]面向“探索脑科学”的连接组计算系统（英文）[J]. 徐婷,杨志,姜黎黎,邢秀侠,左西年.  Science Bulletin. 2015(01)



本文编号：3468849