基于 Contourlet 提取纹理建立早期 AD 的高斯过程预测模型

发布时间：2016-11-05 07:51

引 言

许多研究表明，以 MRI 检查中海马的萎缩是区分 AD 与正常老年人患者的指标，敏感度可以达到 70%以上[8-13]，内嗅区皮质萎缩较海马萎缩先出现，因此其可作为更敏感的 AD 早期预测指标，但是内嗅皮层区域较难分割出来。然而，MRI 辅助诊断也存在一定的局限性。海马和内嗅区皮质萎缩也可出现在其他类型的痴呆中，如 Parkinson 病，尤其是伴有痴呆的 Parkinson 患者。因此海马及内嗅皮层的萎缩尚不能作为诊断 AD 的特异性标志[14]。AD 型痴呆的诊断仍需依靠相关生物标志物，如 Aβ 蛋白沉积及 tau 蛋白异常修饰，神经精神量表评估分值，以及影像学特征。为从更全面的角度来分析脑结构本质特征，本课题组考虑引入相关感兴趣区域（包括海马，内嗅皮层区域）的纹理值参数，并且结合基于体素的形态学参数(voxel-based morphometry,VBM)，从图像的内部本质方面出发，建立早期 AD 诊断模型。通过提取脑部图像微观纹理特征建立预测模型辅助诊断 AD，近年来已成为学者们重点关注的热点问题之一。图像纹理是一种图像中普遍存在且难以描述的特征，是指在图像中反复出现的局部模式和排列规则。图像某一位置的纹理特征与这一位置周围灰度值变化规律密切相关[15]。

......

2 资料与方法

2.1 资料描述

ADNI 研究计划为一项多中心跨学科纵向队列研究，所涵盖的学科类别包括神经内科、神经影像学、神经病理学、分子生物学、遗传学、信息科学以及生物统计学等。对于各学科之间的协调组织由各学科的研究人员负责，Weiner 负责这些中心之上的管理与执行委员会，并且，所有部门都是在 NIA 的指导下进行研究。在筹备的数年研究准备中，ADNI 标准化了多中心研究的操作流程，，并制定了研究目标，旨在通过对生物标志物的研究，更清楚的了解病程，确定早期发病人群，发现更敏感的诊断方法。该研究机构收集和分析了大量研究资料，包括影像学数据，基因数据，血生化指标以及脑脊液。MRI 和 PET 数据是主要的神经影像学数据。MRI 主要的生物标志物是脑萎缩，PET 的生物标志物是葡萄糖代谢的18F⁃FDG 以及 Aβ 蛋白。基因方面的生物标志物主要是载脂蛋白 E 基因（ApoE）。血生化指标包括 Aβ 和 tau 蛋白。ADNI 研究计划为一项多中心跨学科纵向列研究，所涵盖的学科类别包神经内科、神经影像学、神经病理学、分子生物学、遗传学、信息科学以及生物统计学等。对于各学科之间的协调组织由各学科的研究人员负责，Weiner 负责这些中心之上的管理与执行委员会，并且，所有部门都是在 NIA 的指导下进行研究。在筹备的数年研究准备中，ADNI 标准化了多中心研究的操作流程，并制定了研究目标，旨在通过对生物标志物的研究，更清楚的了解病程，确定早期发病人群，发现更敏感的诊断方法。该研究机构收集和分析了大量研究资料，包括影像学数据，基因数据，血生化指标以及脑脊液。MRI 和 PET 数据是主要的神经影像学数据。MRI 主要的生物标志物是脑萎缩，PET 的生物标志物是葡萄糖代谢的18F⁃FDG 以及 Aβ 蛋白。基因方面的生物标志物主要是载脂蛋白 E 基因（ApoE）。血生化指标包括 Aβ 和 tau 蛋白。

2.2 图像资料

本次研究中首先选择受过专业训练的两名实验员手动划分感兴趣区域，这两名实验员均在影像科医生的指导下完成感兴趣区域的手动分割。采用区域增长法对 MRI 图像中海马区域进行分割。区域增长算法法是一种广泛应用于图像处理领域的分割方法[42]。区域增长法的基本思想是将具有相似性质的区域集合起来。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素具有相同或相似性质的像素合并到种子像素所在的区域中。将这些新像素当做新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，这样一个区域就长成了。区域增长法的分割方法主要有两种，一种是给需要分割的目标物一个种子区域，再将种子区域周围的像素点加入其中，将所有像素点形成一个区域。

3 研究结果................29

3.1 模拟分析结果..................29 
3.2 实例分析结果...........32 
4 讨论....................80
5 结论...................83

4 讨论

4.1 纹理特征值对预测模型影像的探讨

本课题组前期的研究已经证明 Contourlet 变换具有较好的图像处理的能力，所以本研究采用 Contourlet 变换处理脑部 MRI 图像，并且基于灰度共生矩阵计算纹理值参数。对于纹理参数的解释，常有以下几种解释，能量（Energy）反映了图像纹理灰度分布均匀与精细程度。对比度（Contrast）反映了图像纹理的清晰和深浅程度。相关性（Correlation）反映灰度共生矩阵各个元素在行列方向上的相似程度，可以反映图像局部灰度相关程度。当灰度共生矩阵元素值分布均匀相等时，相关性的值就大，相反则相关性值小。熵（Entropy）是图像包含信息量的度量，纹理信息属于图像信息的随机性度量。熵值较小表示的是共生矩阵中所有元素分布具有最大的随机性，矩阵中的所有值几乎相等，熵值较大则表示灰度共生矩阵的元素分布不具有随机性，即表示纹理分布不均匀，且纹理分布较为复杂。逆差（IDM）反映图像纹理的同质性，可以反映图像纹理局部变化况。其值大则说明图像纹理在不同区域的变化较少，在各不同区域分布非常均匀。本研究中，根据单因素分析结果，相关性纹理值基本每个子代在三组中的差异均有统计学意义，说明海马区域局部灰度相关性在三组中的差异较大。

4.2 建模方法的探讨

预测模型的选择往往在一定程度上决定了早期 AD 的预测能力。前期研究中应用较为广泛的模型包括支持向量机，随机森林等预测模型。由于数据结构类型，复杂程度不一样，不同的预测模型应用于不同的领域所取得的预测效果也有所不同。根据前期查阅相关文献所获得的信息，在图像领域应用较广的预测模型有支持向量机、Lasso 等预测模型。本研究采用上述预测模型方法较好的方法以及本课题组以前未曾使用过的高斯过程以及偏最小二乘模型，作为候选分类器。医学图像纹理数据有很强的自身特点，包括数据维度比较大，变量数一般是几千。数据变量一般较多，且各变量之间存在一定的弱相关性。基于纹理数据特点，本研究得出在支持向量机，高斯过程，偏最小二乘回归这三种模型中，高斯过程回归模型具有较好的预测效果（AUC=0.84），预测效果优于支持向量机，但是不及偏最小二乘回归的预测效果。可能原因为高斯过程对于高维数据本身并不敏感，需要进一步改进降维方法再进一步做预测分析。

....

5 结论

1、预测模型可以较准确预测早期 AD 以及 MCI 转化，高斯过程回归模型预测较好，优于支持向量机，不及偏最小二乘法。2、纹理值参数的加入对早期 AD 的预测具有积极作用。创新性：基于 Contourlet 变换提取脑部 MRI 图像纹理特征国内外尚未见报道。进行脑部 MRI 图像纹理结合患者信息特征以及脑部形态学特征进行早期 AD/MCI 预测的研究目前国内外杂志尚未见报道。局限性：只探讨海马区域的纹理值，未对其他脑区的纹理值做相应的分析。高斯过程模型对高维数据不敏感，建模效果不如偏最小二乘法，应在降维技术上做适当改进。

........

参考文献（略）

本文编号：164880