基于多模态影像的阿尔兹海默病分类

发布时间：2022-02-24 09:03

　　阿尔兹海默病（AD）的患病过程不易被察觉,病程不可逆且无药物根治,因此AD的前期诊断与预测对AD患者至关重要。随着医学影像的发展,AD分类也成为了研究热点,AD分类是一种从不同的医学影像或生物标志物中提取有效特征,并采用机器学习理论对样本进行分类的医疗辅助诊断方法,它可以为AD的前期诊断提供帮助。现有的AD分类研究多数采用单一模态的图像,而得到的分类的准确率往往偏低,仍有大量样本无法被正确分类。因此,本文从多种模态的影像数据出发,通过特征融合充分利用各个模态之间相互补充的信息,从而全面地提取出AD的特征并用于分类。本文将整个AD分类算法分为两步,其一是融合多个模态提取出的特征,其二是分类器的构建与训练。本文主要将关注点放在两个阶段的不同方法的组合上,通过实验验证,两种AD分类算法都能够取得优异的效果。关于AD分类,本文主要对以下问题开展了深入研究:1、本文的多模态数据共包含三种模态,分别为磁共振成像（MRI）、正电子发射断层扫描（PET）和脑脊液生物标志物。首先对两种图像做预处理,其次对三种模态的数据分别提取有效特征是AD分类的前提。由于全脑中有些信息是和AD无关的,即存在一定的冗余信... 

【文章来源】：电子科技大学四川省211工程院校985工程院校教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究历史与现状
    1.3 基于多模态的阿尔兹海默病分类方法研究
        1.3.1 多模态数据介绍
        1.3.2 阿尔兹海默病分类方法研究现状
    1.4 本文研究内容和组织结构
第二章 多模态数据特征融合及分类方法概述
    2.1 引言
    2.2 多模态数据特征融合方法
        2.2.1 传统特征融合方法简介
        2.2.2 基于多核学习的特征融合
        2.2.3 迭代交叉扩散融合
    2.3 基于多模态的阿尔兹海默病分类方法
        2.3.1 多核支持向量机
        2.3.2 随机森林分类器
    2.4 本章小结
第三章 基于多核学习的多模态阿尔兹海默病分类
    3.1 引言
    3.2 基于多核学习的多模态阿尔兹海默病分类算法框架
    3.3 多模态数据预处理
        3.3.1 MRI图像预处理
        3.3.2 PET图像预处理
    3.4 多模态数据特征提取和特征选择
        3.4.1 基于AAL模板的特征提取方法
        3.4.2 基于t-test的特征选择
        3.4.3 基于Fisher准则的特征选择
    3.5 基于多核SVM的阿尔兹海默病分类方法
        3.5.1 基于多核学习的多模态特征融合
        3.5.2 基于多核SVM的阿尔兹海默病分类方法
    3.6 实验结果和分析
        3.6.1 实验数据介绍
        3.6.2 分类结果评估准则
        3.6.3 采用不同核函数分类结果对比
        3.6.4 单模态与多模态特征分类结果对比
        3.6.5 三种模态不同权重组合方式对比
        3.6.6 与其他分类器结果对比
    3.7 本章小结
第四章 基于非线性图融合的多模态阿尔兹海默病分类
    4.1 引言
    4.2 基于非线性图融合的多模态阿尔兹海默病分类算法框架
    4.3 基于NGF的多模态特征融合
        4.3.1 随机森林构建特征图
        4.3.2 基于交叉扩散的非线性图融合
        4.3.3 使用随机森林对融合图进行分类
    4.4 实验结果和分析
        4.4.1 单模态与多模态分类结果对比
        4.4.2 实验参数分析
        4.4.3 与其他分类器分类结果对比
    4.5 本章小结
第五章 总结和展望
    5.1 论文总结
    5.2 工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3642404