基于磁共振影像脑疾病分类的模式识别方法研究

发布时间：2017-09-30 05:28

  本文关键词：基于磁共振影像脑疾病分类的模式识别方法研究

  更多相关文章： 模式识别 特征提取 计算机辅助诊断 核磁共振成像 神经疾病

【摘要】：核磁共振成像技术在脑组织结构及其功能成像中有着广泛的应用,相关方法繁多、特征丰富、适用疾病广泛。但从临床磁共振技术的诸多方法与不同应用中,如何探索出更加适用于脑疾病临床诊断分类的成像与分析方法,一直是悬而未决的课题,值得进行系统性的研究分析。本文研究目的是分析多种磁共振影像模态、多中心多疾病数据下多种特征提取、特征选择方法和多种分类器实际应用在临床诊断中的表现和特性,并基于上述经验和定性分析提出适合脑影像模式识别的新型特征提取算法“随机结构稀疏算法”,重点从多角度分析各类神经科学与临床诊断问题中模式识别的实际效果并提出自己的优化设计。主要研究过程分为四个步骤:第一步是将多体素模式识别方法应用在多个中心的精神分裂症数据中,对相关现象和初步结论进行重复验证,并得出趋向一致性或与数据相关的基本模式识别技术应用方法论;随后采用同一机器下不同疾病、两个模态的数据分析基本模式分类效果并探索特征提取的应用意义,疾病对象包括精神分裂症、抑郁症、双相情感障碍,分析模态包括T1结构图像和功能磁共振影像。第二步在保证基本模式识别方法正确率的基础上,努力探索对疾病生物标记物特征提取的新方法,创新性地采用结构化正则参数和随机化子采样,并引入非监督学习,提升模式识别方法分类的效果并优化疾病特征的提取,紧接着首次整合上述模型和方法,以LASSO作为稀疏回归模型算法、结合结构稀疏和随机算法,提出一种全新的特征提取算法“随机结构稀疏”。第三步在分子病理和发病机制较为明确的帕金森氏症上,采用新算法和网络连接计算方法对患者的差异脑区进行了并行分析和讨论。本文新成果有:1.多中心的模式识别分类效果具有相似性,不同方法在分类效果上的提升效果也具有部分一致性,且不同模式识别方法分类效果差异不大;2.在多疾病多模态分析中发现不同模态磁共振数据作为基本特征对不同疾病分类的贡献不同,有的疾病适合结构像分析,有的则适合功能网络分析;3.稀疏模型、非监督聚类方法、结构范数模型、随机化方法这些MVPA优化特征提取技术在小样本分类、区域敏感性、差异可视化等方面相较单变量方法在特征识别上具有优势;4.首次将LASSO、随机子采样、结构稀疏和稳定性选择方法相结合,提出“随机结构稀疏算法”。5.提出的新算法应用在帕金森氏症得到了与生理病理机制很一致的差异特征区域识别结果。
【关键词】：模式识别 特征提取 计算机辅助诊断 核磁共振成像 神经疾病
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R445.2;R741
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-14
• 1.1 磁共振影像的应用意义10-11
• 1.2 脑疾病模式识别的研究现状11-12
• 1.3 本文的主要贡献与创新12-13
• 1.4 本论文的结构安排13-14
• 第二章 核磁共振成像与模式识别基础14-22
• 2.1 结构像与功能像模态的原理与分析14-18
• 2.1.1 T1结构磁共振成像14-15
• 2.1.2 BOLD功能磁共振成像15-18
• 2.2 模式识别典型方法的基本原理18-21
• 2.2.1 线性判别与最优分类面18
• 2.2.2 k近邻分类器18
• 2.2.3 支持向量机18-19
• 2.2.4 决策树19-20
• 2.2.5 集成分类器20-21
• 2.3 本章小结21-22
• 第三章 精神分裂症结构磁共振影像分类研究22-31
• 3.1 单变量分析方法的局限22-23
• 3.2 数据收集与采集23-24
• 3.2.1 多中心精神分裂症结构磁共振数据23
• 3.2.2 单中心下多疾病结构磁共振数据23-24
• 3.3 数据预处理方法24-25
• 3.4 模式合成与分类25-28
• 3.5 多中心数据分类的实际效果28-29
• 3.6 与其他疾病数据分类的实际效果29
• 3.7 MVPA应用分析29-30
• 3.8 本章小结30-31
• 第四章 特征提取的应用与随机结构稀疏算法31-47
• 4.1 磁共振脑影像中的特征提取问题31-37
• 4.1.1 磁共振脑影像中的特征选择31-32
• 4.1.2 磁共振脑影像中的稀疏优化模型32-33
• 4.1.3 稀疏回归LASSO算法33-34
• 4.1.4 磁共振脑影像进行降维的其他方法与应用34-35
• 4.1.5 脑图谱分区和聚类分析35-37
• 4.2 基于稀疏模型的磁共振脑影像特征提取技术37-40
• 4.2.1 结构稀疏设计及其算法37-39
• 4.2.2 随机化子采样设计及其算法39-40
• 4.3 随机结构稀疏算法40-42
• 4.3.1 算法原理40
• 4.3.2 算法设计与流程40-42
• 4.4 Haxby真实数据实验42-45
• 4.5 仿真功能数据实验45-46
• 4.6 本章小结46-47
• 第五章 帕金森氏症病征差异区域提取47-54
• 5.1 数据来源与扫描参数47
• 5.2 数据处理与计算指标47-48
• 5.3 基于RSS的帕金森症多亚型差异特征提取48-51
• 5.3.1 差异特征提取结果48-50
• 5.3.2 结果讨论50-51
• 5.4 帕金森氏病功能网络分析51-53
• 5.4.1 功能网络差异特征分析结果51-52
• 5.4.2 功能网络分析效果讨论52-53
• 5.5 本章小结53-54
• 第六章 全文总结与展望54-57
• 6.1 全文总结54-56
• 6.2 后续工作展望56-57
• 致谢57-58
• 参考文献58-63
• 攻读硕士学位期间取得的成果63-64

【相似文献】

中国期刊全文数据库 前4条

1 马晓丽;郎俊;李琳琳;哈木拉提·吾甫尔;巴吐尔·买买提明;库热西;王丽凤;焦宜;王烨;毛新民;;基于~1H-NMR的模式识别方法应用于异常黑胆质糖尿病患者的尿液代谢组学研究[J];分析测试技术与仪器;2012年03期

2 邱玉洁,夏圣安,叶朝辉,刘买利;生物医学核磁共振中的模式识别方法[J];波谱学杂志;2005年01期

3 吴靖;;基于距离分段模式识别方法在EEG分析中的应用[J];国外医学.生物医学工程分册;1992年02期

4 ;[J];;年期

中国重要会议论文全文数据库 前6条

1 王庆人;;采用知识库的模式识别方法[A];IEEE北京分会第一届学术年会论文集[C];1987年

2 马超;方剑青;李红军;雷玉锦;周陆军;赵烨;;声学共振谱信号模式识别方法[A];泛在信息社会中的声学——中国声学学会2010年全国会员代表大会暨学术会议论文集[C];2010年

3 朱孝开;杨德贵;;基于多层SVDD的模式识别方法[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

4 田高友;刘慧颖;;近红外光谱技术识别车用无铅汽油的应用研究[A];第三届科学仪器前沿技术及应用学术研讨会论文摘要集[C];2006年

5 崔建国;张大千;吕瑞;徐心和;;基于模糊聚类网络复杂信号的模式识别方法研究[A];2007'中国仪器仪表与测控技术交流大会论文集（二）[C];2007年

6 刘南;王鹏;李宏;;光纤传感信号特性分析及模式识别方法[A];第六届全国信号和智能信息处理与应用学术会议论文集[C];2012年

中国博士学位论文全文数据库 前5条

1 科纳提（Ahmed Amara KONATE）;在结晶岩中使用模式识别方法进行地球物理测井数据分类[D];中国地质大学;2015年

2 孙茜;Ф-OTDR光纤预警系统模式识别方法研究[D];天津大学;2015年

3 王彦，

本文编号：946420