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：2017-07-28 11:05

  本文关键词：基于Contourlet提取纹理建立早期AD的高斯过程预测模型

  更多相关文章： Contourlet变换 支持向量机 高斯过程回归模型 偏最小二乘回归模型 MCI预测 预测模型

【摘要】：背景痴呆(Dementia)是老年人的常见病之一。在全球范围内每7秒钟新增1个痴呆病例,2010年估计全球3.56千万人患痴呆,到2030年将增加到6.57千万,到2050年将增加到11.4千万。并且有2/3痴呆患者生活在中低收入国家。老年痴呆(AD)则是痴呆中常见的一种,在中国65岁以上老年人AD患病率4.8%(目前我国约600万AD患者),从出现临床症状至首次确诊时间平均大于一年,所以确诊时大多已错过最佳治疗阶段。故研究早期诊断AD是国内外的热点和难点问题之一。对于AD的早期诊断,通常会寻找合适的生物标志物作为辅助诊断的依据。目前公认的的生物标志物有5种,其中包括脑萎缩这个特征,是通过核磁共振成像(MRI)所呈现的。国内外已有学者采用脑萎缩这个生物标志物进行建模预测早期AD。纹理的引入模型预测虽有报道,但是提取纹理及模型均比较落后。本项目组前期分别应用第一、第二代小波变换以及灰度共生矩阵的方法建立肺癌预测模型(包括多水平模型,支持向量机,Lasso回归,决策树,随机森林,人工神经网络,Gradient boosting以及最近邻分类),其中支持向量机取得了较好的预测结果。目前国内外对于提取纹理建立早期AD预测模型的研究有如下的局限性:所选取纹理值参数较少,并且一般未结合脑部形态学参数。预测模型多为人工神经网络等,较为落后,且样本量很少。目的根据脑部MRI图像的纹理值参数以及基于体素形态学参数建立早期预测模型,发现关键纹理值,以期提高早期AD以及轻度认知障碍(MCI)转化的识别率。方法本次研究共收集299例脑部MRI图像,包括AD患者58例,MCI患者147例,正常组94例,并且每一个病例都有超过两年的随访。为了比较支持向量机、高斯过程回归模型、偏最小二乘回归模型等3种方法对早期AD的预测结果的优劣,采用Bootstrap产生模拟数据,比较纳入不同纹理值的各种模型预测结果。采用区域增长法从冠状位的脑部MRI图像中分割得到海马区域,对分割出的海马区域用Contourlet变换处理并且通过灰度共生矩阵计算14个纹理值参数。采用147例MCI病人作为验证数据集,分别建立AD与MCI转化的预测模型,计算相应的评价指标。比较几种模型对于MRI数据预测效果。通过网站及咨询影像专家获得AD组,MCI组以及正常组的人口学资料、生活环境因素及神经量表评分,基于纹理值和人口学特征、患病史、并结合基于体素的形态学参数多维度数据集,建立预测模型。结果1.基于单因素分析发现:病例年龄在AD组,MCI组合正常组3组病例中差异无统计学意义(Z=3.45,P=0.64)、病例受教育年数在3组之间差异没有统计学意义(Z=6.45,P=0.85)。量表方面,MMSE,CDR-SB,ADAS在三组中的差异有统计学意义。病例患病史方面,4种患病史在3组之间差异有统计学意义;脑部形态体积参数方面,有184个形态体积参数差异有统计学意义。纹理方面,有379个纹理值参数在三组中差异有统计学意义。2.基于Contourlet变换建立支持向量机,高斯过程,偏最小二乘回归模型通过各评价指标发现,预测模型中高斯过程回归模型的预测效果良好(敏度0.84,特异度0.75,ROC曲线下面积0.84,优于支持向量机预测效果,不及偏最小二乘回归模型。3.通过模拟研究以及单因素分析,显示一下几种纹理值参数对模型预测具有较大贡献。分别为:Standard Deviation,Homogeneity,Energy,Inertia,Inverse Difference Moment,Correlation,Difference-Mean和Sum-Entropy。4.高斯过程模型对MCI转化的预测精度达到82.2%,偏最小二乘为85.5%,支持向量机为80.3%。结论1.高斯过程回归模型可以较准确预测早期AD以及MCI转化,预测效果优于支持向量机。2.纹理值参数的加入对早期AD的预测具有积极作用。
【关键词】：Contourlet变换 支持向量机 高斯过程回归模型 偏最小二乘回归模型 MCI预测 预测模型
【学位授予单位】：首都医科大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：R749.16
【目录】：

• 中文摘要5-7
• 英文摘要7-10
• 引言10-15
• 1 研究目的与意义15
• 2 资料与方法15-29
• 2.1 资料描述15-17
• 2.2 图像资料17
• 2.3 图像分割17-18
• 2.4 纹理提取18-20
• 2.4.1 Contourlets变换18-20
• 2.5 患者信息20-21
• 2.6 预测模型21-25
• 2.6.1 支持向量机21-23
• 2.6.2 高斯过程回归模型23-24
• 2.6.3 偏最小二乘回归模型24-25
• 2.7 模拟研究25-26
• 2.8 评价方法26-29
• 2.8.1 交叉验证26
• 2.8.2 ROC曲线26-27
• 2.8.3 Matthews相关系数27
• 2.8.4 F指数27-28
• 2.8.5 Youden指数28
• 2.8.6 Discriminant power（DP）28-29
• 3 研究结果29-81
• 3.1 模拟分析结果29-32
• 3.1.1 GPR模型中核函数的选定29-30
• 3.1.2 不同预测模型建模效果比较30
• 3.1.3 不同纹理值建模效果比较30-32
• 3.2 实例分析结果32-81
• 3.2.1 图像分割32-34
• 3.2.2 变量单因素结果34-74
• 3.2.3 各模型预测结果74-81
• 4 讨论81-83
• 5 结论83-84
• 6 创新性局限性84-85
• 论文参考文献85-92
• 综述92-105
• 参考文献98-105
• 附录一105-111
• 致谢111-112
• 个人简介112

【相似文献】

中国期刊全文数据库 前10条

1 刘f ,程敬之;分形模型的超声图像纹理分析[J];生物医学工程学杂志;1999年03期

2 吴天秀;蔡洁;;基于纹理分析的骨质疏松计量诊断[J];中国骨质疏松杂志;2014年07期

3 张镜清,孙军;采用纹理分析特征用于肝脏超声图像的病患的辨识[J];中国医学影像技术;1993年03期

4 刘伟;李月卿;;医学图像纹理分析综述[J];泰山医学院学报;2006年01期

5 杜X,童勤业,许俊;基于小波包分解和HMM模型的纹理分析[J];医疗设备信息;2003年08期

6 李振立;杨晓梅;;基于纹理分析的带标记线心脏MR图像分割[J];中国组织工程研究与临床康复;2011年09期

7 王李冬;邰晓英;巴特尔;;基于小波变换纹理分析的医学图像检索[J];中国医疗器械杂志;2006年02期

8 黄亚丽,李芬华,赵真;B超肝脏图像纹理特征提取方法的实验研究[J];中国医学影像技术;2004年12期

9 罗立民，鲍旭东，田雪芹;基于纹理分析的磁共振图象区域分割[J];自动化学报;1995年04期

10 ;[J];;年期

中国重要会议论文全文数据库 前8条

1 徐国栋;郭恒业;;统计纹理生成模型[A];中国科学技术协会首届青年学术年会论文集（工科分册·上册）[C];1992年

2 卢海燕;陈明;孙梅;宋树良;马艳;郑传立;;肝纤维化超声图像纹理分析与组织学检查对照研究[A];第二届长三角超声医学论坛暨2009年浙江省超声医学学术年会论文汇编[C];2009年

3 杨关;冯国灿;邹小林;刘志勇;;彩色纹理分析中的高斯图模型[A];第十五届全国图象图形学学术会议论文集[C];2010年

4 熊欣;何中市;;纹理分析在超声图像中的应用[A];2008年计算机应用技术交流会论文集[C];2008年

5 姚明海;应宏微;;基于反馈的汽车牌照纹理分析定位算法的研究[A];第二十三届中国控制会议论文集（下册）[C];2004年

6 黄战华;刘正;张振;蔡怀宇;杨基春;张尹馨;;基于矢量化方法的纹理缺陷快速检测[A];2008中国仪器仪表与测控技术进展大会论文集（Ⅰ）[C];2008年

7 管玉娟;王淑晴;关泽群;;纹理分析的条件模式谱方法[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

8 刘佳;李哲英;王淑英;;路标识别算法研究[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集（下）[C];2008年

中国博士学位论文全文数据库 前2条

1 高妮;基于Contourlet提取纹理建立早期AD的高斯过程预测模型[D];首都医科大学;2016年

2 张国鹏;三维纹理分析在虚拟结肠镜计算机辅助检测/诊断中的应用研究[D];第四军医大学;2013年

中国硕士学位论文全文数据库 前10条

1 陈金霞;快速粒度估计法在纹理分析中的应用研究[D];华南理工大学;2015年

2 刘W，

本文编号：583710