MRI结构特征选择方法及AD早期诊断的应用研究

发布时间：2017-08-06 20:01

  本文关键词：MRI结构特征选择方法及AD早期诊断的应用研究

  更多相关文章： 阿尔茨海默病 轻度认知障碍 MRI HS-EJ 多元线性回归

【摘要】：近年来,我国老龄化问题日趋严重,阿尔茨海默病(AD)和轻度认知障碍(MCI)患者也越来越多,MCI是AD的早期过程,该病是一种神经退行性疾病,目前的医疗手段还无法完全治愈这种疾病,但是如果能对其进行早期诊断,并配合药物干预可以缓解病情的发展。目前的诊断方法主要依靠有经验的阅片医生通过分析患者的脑结构磁共振(MRI)图像判断患者的病情,这样的方法不仅耗时耗力,而且存在着很强的主观性,可能导致误诊。计算机辅助诊断将有助于提高诊断准确率,减少工作量。随着机器学习技术的不断发展,特征选择方法已经应用在各个领域的研究中,特征选择方法在医学辅助诊断领域也取得了一定的效果,但由于医学影像特征众多,已有的方法无法直接用于医学诊断中。为此,本文提出了一种基于经验判断的启发式搜索(HS-EJ)特征选择模型,对MRI数据中大量的信息进行筛选,提取有用特征,用于MCI、AD的辅助诊断。主要研究工作如下:(1)收集MCI、AD患者和健康正常人(NC)的脑结构MRI图像,并对其进行预处理,提取出三组被试的灰质、白质以及脑脊液的体积特征。(2)构建HS-EJ特征选择模型:首先对原始的体积数据分别进行显著性分析和logistic回归分析,依据显著性水平和回归系数分别进行排序,剔除分类效果差的特征;然后按照顺序向前搜索策略,依次将分类特征加入SVM分类器,选择分类准确率最高的特征集作为最优特征集;通过对比,从两组最优特征集中选择出更优的特征集。(3)对比HS-EJ特征选择模型与显著性分析过滤模型、logistic回归分析过滤模型、SVM分类器封装模型、主成分分析模型的特征选择效果。(4)利用多元线性回归对得到的最优特征子集进一步约简,将多特征合并成一个联合特征,利用ROC曲线对比联合特征与其他单一特征的分类效果。对比HS-EJ特征选择模型与其他特征选择模型得到的分类特征数和分类准确率,得出结论:HS-EJ进行特征选择显著提高了NC-MCI-AD两两分类准确率,对于MCI、AD的早期诊断有一定的临床意义。
【关键词】：阿尔茨海默病 轻度认知障碍 MRI HS-EJ 多元线性回归
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R749.16;TP181
【目录】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 绪论11-21
• 1.1 研究背景11-12
• 1.2 国内外研究现状12-17
• 1.2.1 特征选择算法的研究现状12-14
• 1.2.2 MCI、AD的诊断现状14-15
• 1.2.3 MRI技术用于MCI、AD分类的研究现状15-16
• 1.2.4 MCI、AD分类中的特征选择方法16-17
• 1.3 研究意义17-18
• 1.4 研究内容18-19
• 1.5 论文的主要工作及结构安排19-20
• 1.5.1 论文的主要工作19
• 1.5.2 全文结构安排19-20
• 1.6 本章小结20-21
• 第二章 特征选择的基础理论21-29
• 2.1 特征选择过程21-22
• 2.2 子集生成22-24
• 2.2.1 搜索方向22
• 2.2.2 搜索策略22-24
• 2.3 子集评价24-27
• 2.3.1 Filter过滤式模型24-25
• 2.3.2 Wrapper封装式模型25
• 2.3.3 评价标准25-27
• 2.4 停止条件与结果验证27
• 2.5 本章小结27-29
• 第三章 基于经验判断的启发式搜索特征选择模型29-43
• 3.1 相关基础理论29-38
• 3.1.1 显著性分析29-31
• 3.1.2 Logistic回归分析31-32
• 3.1.3 支持向量机32-34
• 3.1.4 多元线性回归34-36
• 3.1.5 ROC曲线36-38
• 3.2 基于经验判断的启发式搜索特征选择模型38-41
• 3.3 本章小结41-43
• 第四章 实验数据处理43-49
• 4.1 MRI数据预处理43-44
• 4.2 特征提取44
• 4.3 实验数据44-45
• 4.4 特征选择45-47
• 4.4.1 基于经验判断的启发式搜索特征选择45-46
• 4.4.2 特征合并46-47
• 4.5 本章小结47-49
• 第五章 实验结果与讨论49-67
• 5.1 体积测量结果49-54
• 5.2 特征选择结果54-60
• 5.2.1 基于显著性分析特征选择结果54-56
• 5.2.2 基于logistic回归分析特征选择结果56-59
• 5.2.3 两种过滤模型对比59-60
• 5.3 已有的特征选择模型对比60-64
• 5.3.1 过滤模型对比60
• 5.3.2 SVM分类器封装模型对比60-62
• 5.3.3 主成分分析特征选择模型对比62-63
• 5.3.4 不同的特征选择方法结果对比63-64
• 5.4 特征合并结果64-66
• 5.5 本章小结66-67
• 第六章 总结与展望67-69
• 6.1 总结67-68
• 6.2 展望68-69
• 参考文献69-75
• 致谢75-77
• 攻读硕士学位期间发表论文77

【相似文献】

中国期刊全文数据库 前1条

1 高娟;王国胤;胡峰;;多类别肿瘤基因表达谱的自动特征选择方法[J];计算机科学;2012年10期

中国重要会议论文全文数据库 前6条

1 徐燕;王斌;李锦涛;孙春明;;知识增益：文本分类中一种新的特征选择方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

2 肖婷;唐雁;;文本分类中特征选择方法及应用[A];2008年计算机应用技术交流会论文集[C];2008年

3 徐燕;孙春明;王斌;李锦涛;;基于词条频率的特征选择算法研究[A];中文信息处理前沿进展——中国中文信息学会二十五周年学术会议论文集[C];2006年

4 陈庆轩;郑德权;郑博文;赵铁军;李生;;中文文本分类中基于文档频度分布的特征选择方法[A];黑龙江省计算机学会2009年学术交流年会论文集[C];2010年

5 顾成杰;张顺颐;刘凯;黄河;;基于粗糙集和禁忌搜索的特征选择方法[A];江苏省电子学会2010年学术年会论文集[C];2010年

6 王秀娟;郭军;郑康锋;;基于互信息可信度的特征选择方法[A];2006通信理论与技术新进展——第十一届全国青年通信学术会议论文集[C];2006年

中国博士学位论文全文数据库 前4条

1 刘明霞;属性学习若干重要问题的研究及应用[D];南京航空航天大学;2015年

2 毛勇;基于支持向量机的特征选择方法的研究与应用[D];浙江大学;2006年

3 尹留志;关于非平衡数据特征问题的研究[D];中国科学技术大学;2014年

4 裴志利;数据挖掘技术在文本分类和生物信息学中的应用[D];吉林大学;2008年

中国硕士学位论文全文数据库 前10条

1 曹晋;基于SVDD的特征选择方法研究及其应用[D];苏州大学;2015年

2 张强;静态图像上的行人检测方法研究[D];中国科学技术大学;2015年

3 张晓梅;基于融合特征的微博主客观分类方法研究[D];山西大学;2014年

4 王君;基于SVM-RFE的特征选择方法研究[D];大连理工大学;2015年

5 于海珠;面向文本聚类的特征选择方法及应用研究[D];大连理工大学;2015年

6 赵世琛;文本分类中特征选择方法研究[D];山西大学;2014年

7 王丹;特征选择算法研究及其在异常检测中的应用[D];电子科技大学;2014年

8 林艳峰;中文文本分类特征选择方法的研究与实现[D];西安电子科技大学;2014年

9 卢志浩;基于GEP的kNN算法改进研究[D];广西师范学院;2015年

10 王立鹏;面向图数据的特征选择方法及其应用研究[D];南京航空航天大学;2015年

，

本文编号：631208