基于Joint ICA算法的阿尔茨海默病辅助诊断研究

发布时间：2017-08-01 12:03

  本文关键词：基于Joint ICA算法的阿尔茨海默病辅助诊断研究

  更多相关文章： jointICA 阿尔茨海默病 MRI PET

【摘要】：阿尔茨海默病（AD），是在老年人群中最常见的神经退行性疾病。在我国，随着人口老龄化进程逐渐加快，AD的发病率也呈现上升趋势，将对未来经济形成潜在影响。目前，与核磁共振图像（MRI）、正电子断层扫描（PET）等成像技术相关的研究方法已日趋成熟，针对大脑解剖学结构变化以及生理代谢变化的研究成为诊断AD的关键。 独立成分分析（ICA）作为一种新的数据处理方法，可以从一系列的测量或观察数据中获得隐藏的混合线性独立成分，近几年被广泛用于医学图像领域。无论对于MRI还是PET图像，ICA都获得较多应用。对于单一模态的医学图像，通过ICA方法可以分离出不同独立成分，并对每个成分进行分析。如果需要对多种模态进行分析，ICA方法就无法获得不同模态图像之间的联系。本课题采用改进的ICA方法，即joint ICA算法，对两种模态图像进行联合独立成分分析，其中，灰质（GM）图像属于大脑结构图像，可以通过分析获取灰质体积变化，而氟代脱氧葡萄糖PET（FDG-PET）图像可以提供大脑代谢信息。采用joint ICA算法不仅可以获得每种模态图像单独的成分信息，同时还可以获得灰质萎缩与代谢变化之间的关联信息。 本课题的原始图像数据来源于阿尔茨海默病神经影像公共数据库（ADNI），使用基于Matlab的SPM8工具箱对采集图像进行预处理，并将三年的图像数据转换为变化率图像进行joint ICA相关运算，最终得到关联的独立成分信息，并映射到大脑标准模板图像中便于观察分析。通过对结果的分析发现：在认知健康（HC）与轻度认知障碍（MCI）两个不同阶段，其灰质萎缩与代谢变化之间的关联图像形态具有明显不同，相对于HC阶段，，变化速率及变化面积在MCI阶段均出现增长，且变化区域也具有差异性。而对于每个阶段的Aβ+（β淀粉样蛋白非正常水平）与Aβ-（β淀粉样蛋白正常水平）两个不同分组，脑部变化同样具有差异性。 本课题的研究意义与创新点主要为：①采用joint ICA联合分析方法可以获得多模态图像间的关联信息，相比于对两种模态图像分别进行独立成分分析的传统分析方法，联合分析的优势在于结合两种不同图像间的关联信息，可以提供更多AD早期阶段患病风险判断的依据，进而增加诊断的准确性。②由于目前缺少相关纵向分析研究，因此本课题的纵向研究特别是两种图像模态的联合纵向分析对了解早期AD的脑部变化情况及规律具有重要意义。
【关键词】：jointICA 阿尔茨海默病 MRI PET
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.41;R749.16
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 1 绪论8-13
• 1.1 课题研究背景及来源8
• 1.2 阿尔茨海默病的初期诊断8-9
• 1.3 神经成像技术9-11
• 1.3.1 MR 成像技术10
• 1.3.2 PET 成像技术10-11
• 1.4 国内外研究现状11
• 1.5 本文所完成的工作与内容安排11-13
• 2 图像预处理13-21
• 2.1 图像校正13-14
• 2.1.1 部分容积效应校正13-14
• 2.2 图像配准14-15
• 2.3 脑部图像模板与标准化15-17
• 2.3.1 神经图像坐标空间15-16
• 2.3.2 脑区图集与模板16-17
• 2.3.3 空间标准化17
• 2.4 图像滤波17-18
• 2.5 数据降维18
• 2.6 SPM 统计参数图18-20
• 2.6.1 VBM 算法19-20
• 2.6.2 DARTEL 算法20
• 2.7 本章小结20-21
• 3 ICA 算法21-30
• 3.1 概述21-22
• 3.2 ICA 的理论基础22-23
• 3.2.1 ICA 的数学模型22
• 3.2.2 ICA 的约束22-23
• 3.3 ICA 估计方法23-26
• 3.3.1 非高斯的最大化23-25
• 3.3.2 极大似然估计25
• 3.3.3 互信息的最小化25-26
• 3.4 ICA 预处理26
• 3.4.1 信号的中心化26
• 3.4.2 信号的白化26
• 3.5 ICA 的优化算法26-29
• 3.5.1 Infomax 算法27-28
• 3.5.2 Fast ICA 算法28-29
• 3.5.3 联合逼近对角化特征矩阵(JADE)算法29
• 3.6 本章小结29-30
• 4 Joint ICA 算法应用于多模态图像联合分析30-52
• 4.1 研究背景与相关统计学方法30-32
• 4.1.1 研究背景30
• 4.1.2 统计学方法30-32
• 4.2 图像采集32-33
• 4.3 图像预处理33-37
• 4.3.1 MRI 图像的预处理33-35
• 4.3.2 FDG-PET 图像的预处理35-36
• 4.3.3 变化率图像36-37
• 4.4 基于 joint ICA 的 MRI 与 PDG-PET 联合分析37-40
• 4.4.1 Joint ICA 算法37-38
• 4.4.2 Joint ICA 用于联合分析38-40
• 4.5 实验结果40-50
• 4.5.1 独立成分分析与组间 t 检验40-45
• 4.5.2 Joint ICA 算法与传统 ICA 算法的多模态分析结果比较45-47
• 4.5.3 多模态与单模态的空间离散度比较47-48
• 4.5.4 个体与组间交叉对比48-50
• 4.6 讨论分析50-51
• 4.7 本章小结51-52
• 5 总结与展望52-54
• 5.1 课题总结52
• 5.2 下一步研究方向52-54
• 致谢54-55
• 参考文献55-61
• 附录61
• A. 作者在攻读硕士学位期间参与课题及成果61

【参考文献】

中国期刊全文数据库 前3条

1 宋沂鹏;孔薇;夏斌;;基于ICA的AD样本的相关基因研究[J];电子设计工程;2010年09期

2 郭武;张鹏;王润生;;独立分量分析及其在图像处理中的应用现状[J];计算机工程与应用;2008年23期

3 李可,闫镔,单保慈;功能磁共振图像处理的ICA方法综述[J];中国图象图形学报;2005年05期

本文编号：604117