基于类别不平衡学习技术的AD医学图像挖掘

发布时间：2020-08-03 07:31

【摘要】：随着信息技术的发展,医学影像设备和技术已成为医院用来诊断疾病的主要手段,CT、MRI等医学影像的使用越来越多,从而产生了大量多角度、高分辨率的医学影像数据。利用计算机辅助诊断手段对医学影像数据进行有效分析处理,能够为医生提供更详细的图像细节,减轻医生在诊断疾病时的负担,帮助医生提高诊断的准确率。医学图像的挖掘分析是计算机辅助诊断中的重要组成部分,在实际的应用中,获取的医学图像数据往往存在类别分布不平衡的情况,导致了传统的分类器性能明显下降。为此,本文提出了基于类别不平衡学习技术的AD医学图像挖掘,目的是研究类别分布不平衡的阿尔兹海默症医学图像的分类识别。研究思路首先对脑部MRI医学图像进行预处理,确定感兴趣区域,提取形态学特征和纹理特征;然后提出了基于随机森林的不平衡数据特征选择算法来解决类别不平衡问题;最后对脑部医学图像数据进行分类,通过实验验证结果证明本文所提方法的有效性。整合这些方法来研究类别不平衡的阿尔兹海默症脑部医学影像,以此来探索阿尔兹海默症诊断的新途径。主要内容为:(1)对类别不平衡的脑部医学图像分类识别的相关技术进行总结分析,包括成像技术、特征提取、特征选择、数据特性、分类算法,分析每个阶段的方法原理以及它的优劣情况;(2)对图像进行特征提取,通过对当前脑部医学图像特征提取技术的研究分析,发现特征融合方法能够保留图像更多的细节,故本文使用特征融合方法,融合图像的形态学特征和纹理特征;(3)特征选择,考虑到冗余和不相关特征会直接影响分类性能,以及数据具有类别不平衡特性,因此,本文研究当前的类别不平衡特征选择方法,提出了基于随机森林的特征选择算法,选择出有利于识别少数类样本的特征,使得在特征选择阶段优化特征子集,解决了数据存在的类别不平衡问题以提升最终的分类识别效果。
【学位授予单位】：贵州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;R749.16
【图文】：

组数据,簇中,感兴趣区域,双样本

CI 组数据进行双样本 t 检验以检测每组内样本数据之间著性差异变化。AD-NC 组数据的灰质萎缩分析样本 T 检验对 AD-NC 组数据的灰质密度进行差异分析的阈值 pValue≤0.001, 经过 FDR 校正，FDR≤0.05, 设定取 AD 患者的病灶区，使用 xjView 显示差异脑区，其发.3 所示，图中带有彩色区域代表脑区的差异情况，其中颜在海马体部分，表明了在对 AD-NC 组数据进行实验后，的萎缩现象较明显，其他脑区也相应发生不同程度的萎区域作为感兴趣区域 ROI，各个感兴趣区域信息如表 3前萎缩区域的簇中心位置，平均萎缩体素个数代表当前簇NI 坐标表示当前簇中心位置在 MN（IMontrealNeurolog息。

楔前叶,舌回,扣带,眶部

表 3-3 差异脑区信息（AD-NC）素个数MNI 坐标差异X Y Z 0 -96 -12 距状裂周围 15.99 -73.15 9.40 距状裂周围 4.5 10.5 18 尾状核 -4.85 -42.92 24.67 后扣带33 37.5 -15 眶部额中9 -27 -9 -18 海马 -34.5 -49.5 -3 舌回-24 -88.5 -10.5 枕下回 0 -33 9 楔前叶C-MCI 组数据的灰质萎缩分析组和 MCI 组进行实验时，未矫正的阈值 pValue≤0.0设定体素集合超过 50 个。

组数据,区域,贵州大学,域信息

贵州大学硕士学位论文是使用 xjView 显示患者和对照组的差异脑区，与上一组比，NC-MCI 组的萎缩情况相对较少，较为严重的区域。统计萎缩情况较明显区域作为感兴趣区域 ROI，表 3趣区域的相关信息。MCI-AD 组数据的灰质萎缩分析I 和 AD 组数据进行实验，未矫正的阈值 pValue≤0.001,素集合超过 50 个，AD 相对于 MCI 发生变化的区域如域信息如表 3-5 所示。

【参考文献】