基于机器学习的注意缺陷多动障碍分类研究

发布时间：2021-10-16 22:28

　　注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder,ADHD）是一种孩童期常见的精神障碍疾病。目前,ADHD的诊断大多采取问卷和量表的形式,有很大程度的主观性。ADHD的客观诊断方法主要是基于磁共振成像（Magnetic Resonance Imaging,MRI）数据。临床上医生通过重复筛选MR图像来诊断ADHD。但由于正常人和ADHD患者的MR图像差异很小,临床上较难准确地判别,易发生误诊和漏诊现象。因此,本文利用MR图像和机器学习（Machine Learning,ML）方法来实现ADHD图像的自动判别,提出了基于机器学习的ADHD图像分类方法。主要研究工作如下:（1）基于经典机器学习的ADHD分类。主要研究了支持向量机和神经网络算法对ADHD分类。实验数据集来自ADHD-200竞赛数据库,采用交叉验证来训练和测试模型。（2）基于ROI-CNN模型的ADHD分类。由于不同大脑模式图像强度的高度相似性,本文引入了有效的感兴趣区域提取（Region of Interest,ROI）策略用于初始的特征选择。主要研究了基于水平集和区域生长法... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

五折交叉验证示意图

第 3 章 基于 ROI 精分割和 CNN 的 ADHD 图像分类。尾状核结构图如图 3.1(a) 中绿色区域所示，3.1(b)中红色箭头宽大的尾状核头，逐渐缩小的尾状核体和尾状核尾组成[54]。相接，尾状核尾与杏仁体相接[55]。作为基底神经节的一个关状核（CN）参与许多关键的脑功能，包括感觉-运动控制、认奖励和学习，其异常的形态和功能也影响着一些重要的大脑D 等[56]。皮层下结构分割的问题尚未得到令人满意的解决。尤其是对和尾状核等神经核的提取更为困难，在 T1 加权 MR 图像中尾均匀的强度，由于它与很多具有相似强度的结构相连，因此对尾状核等脑部 MRI 的分割成为了图像学分割领域中的一个

ADHD识别分类流程图

【参考文献】：
期刊论文
[1]基于卷积神经网络的注意缺陷多动障碍分类研究[J]. 朱莉,张丽英,韩云涛,曾佺,常为科.  生物医学工程学杂志. 2017(01)
[2]注意缺陷多动障碍患儿事件相关脑电位研究[J]. 朱莉,曾佺,蒋杨婷,陈佳,张丽英.  生物医学工程学杂志. 2016(01)
[3]注意力缺陷多动障碍与多巴胺、去甲肾上腺素关系的研究进展[J]. 雷爽,韩新民.  中国儿童保健杂志. 2013(09)
[4]注意缺陷多动障碍患儿的脑电图与临床特点[J]. 张泽芝,吴惧,胡文广,牟启蓉.  现代电生理学杂志. 2012(03)
[5]BP神经网络在技术预见评价中的应用研究[J]. 刘超,李云清,胡全连.  科技管理研究. 2010(05)
[6]基于生物的神经网络的理论框架──神经元模型[J]. 欧阳楷,邹睿,刘卫芳.  北京生物医学工程. 1997(02)

博士论文
[1]基于深度学习的图像分类方法研究[D]. 孟丹.华东师范大学 2017
[2]注意缺陷多动障碍的脑影像学研究[D]. 胡贤.中国医科大学 2010

硕士论文
[1]基于机器学习的癌症诊断方法研究[D]. 刘奕.湖北工业大学 2017
[2]脑部MRI图像中深层核团的分割方法研究[D]. 王倩.北京工业大学 2015
[3]神经网络在医学诊断中的应用研究[D]. 沈花玉.天津理工大学 2007



本文编号：3440609