基于多特征融合的超网络功能磁共振影像阿尔兹海默症分类研究

发布时间：2020-08-09 03:40

【摘要】：探索不同脑区之间的功能交互可以更好地理解神经学疾病的病理学基础。脑网络作为其功能交互的一个重要表示,已经被广泛应用于神经退化性疾病的诊断和分类。然而,传统的功能连接网络大多是基于不同脑区之间的两两相关得到的,而忽视了它们之间的高阶关系。之前有研究提出构建超网络的方法,超网络的构建可以有效地表示多个脑区之间的交互作用。然而这种方法由于特征提取部分提取局部脑区指标作为特征,忽视了全局的拓扑信息,继而影响网络拓扑的评估,降低分类器的性能。研究表明,子图特征正好可以弥补这一缺陷。然而,子图特征对于单个脑区的变化不敏感。鉴于无论是脑区特征还是子图特征都会造成信息的丢失。本文提出了一种基于多特征融合的超网络功能磁共振影像数据阿尔兹海默症分类研究方法。该方法将脑区特征和子图特征进行融合,并采用基于多核支持向量机分类器进行分类。本文在可以反应多个脑区之间交互作用的同时,既不丢失网络的全局拓扑信息,又不失对单个脑区变化的敏感性。为了验证本文所提出的方法,首先选取28例正常被试和38例阿尔兹海默症患者进行实验,研究结果证明,本文所提出的方法获得令人满意的分类性能,其中准确率平均可达91.60%。获得的异常区域包括双侧楔前叶,右侧海马旁回,右侧海马,右侧后扣带回皮质等重要的阿尔兹海默症病发区域。此外,为了证明本文提出的方法的稳定性,本文又在公开的ADNI数据集上进行研究,结果表明,该基于多特征融合的超网络功能磁共振影像数据阿尔兹海默症分类研究方法获得了较好的分类性能。本文的主要创新工作在于:第一,基于超网络模型,采用子图特征进行分类。在超网络构建完成之后,将超边作为子图特征,采用频繁分数特征选择算法选取子图特征,采用基于图核的分类算法进行分类。采用子图特征分类的优势在于,其可以弥补脑区特征丢失的拓扑信息。且结果证明,子图特征善于发现异常脑区之间的连接模式。第二,基于超网络模型,采用多特征融合的分类方法。将两种不同类型的特征进行融合,采用多核支持向量机进行分类。多特征融合的优势在于同时拥有两种不同类型的优势,既可以保证对单个脑区的敏感性,又不丢失网络的全局拓扑属性。实验结果也证明,从敏感性,特异性,准确性,AUC值及Reflief权重等多个角度而言,采用多特征融合分类确实优于单特征分类。第三,针对阿尔兹海默症患者,分别采取不同的特征提取方法进行分类,对比分析不同特征选择方法对于分类结果的影响。本文对比了仅采用脑区特征,仅采用子图特征,采用多特征融合三种不同的特征提取方法进行分类的结果,从而证明采用多特征融合方法进行分类的优越性。为了验证本文所提出的基于多特征融合的超网络功能磁共振影像阿尔兹海默症分类方法的稳定性和鲁棒性,在公开的阿尔兹海默症数据集上进行了验证。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R749.16;TP391.41

【相似文献】