基于神经影像的进展型轻度认知功能障碍识别研究

发布时间：2017-09-19 03:05

  本文关键词：基于神经影像的进展型轻度认知功能障碍识别研究

  更多相关文章： 轻度认知功能障碍 支持向量机 随机投影 遗传算法 集成学习

【摘要】：轻度认知功能障碍(MCI)是对阿尔茨海默病(AD)进行预防和治疗的最佳时期。但是并不是所有的MCI患者都会进展为AD。要想在MCI时期给予有效的预防干预措施,就必须能够有效地识别和区分进展型MCI患者(MCI-C)和非进展型MCI患者(MCI-NC)。因此,本文最终从ADNI数据库中获取了64个研究对象(其中有32个MCI-C和32个MCI-NC)的磁共振图像(MRI)和正电子发射断层扫描(PET)数据进行研究,以期能够建立性能良好分类模型。1)图像预处理。从ADNI数据库中获取了MCI患者的基本信息,在研究对象的选择上应用控制变量的方法,使MCI-C和MCI-NC样本在年龄上尽量对等。在MRI和PET图像的处理上每一步都严格执行,具体的处理步骤有头动校正、分割和标准化以及图像平滑等。2)各脑区灰质体素值的获取。本文利用SPM8、WFU、Get-totals等工具制作AAL的大脑分区的90个脑区的模板以及获取相应脑区灰质值的方法。最终获取了研究所需的64×180维的数据(其中包括从MRI获取的64×90维数据和从PET图像获取的64×90维的数据)。3)基于多核融合的进展型轻度认知功能障碍识别。本文应用获取的数据,从单模态特征分类结果可知,应用PET模态信息在MCI-C和MCI-NC之间分类的分类效果要比用MRI的分类效果较好。考虑到不同的模态信息对分类性能的补充效果和贡献率不同,又将这两个模态的信息进行融合,并且利用遗传算法启发式搜索功能,寻找两个模态信息的最佳权重值,再结合支持向量机进行分类识别。结果表明,在对MCI-C与MCI-NC分类识别的问题中,基于遗传算法的多核融合分类方法,在准确率、敏感度和特异性上相较于单模态方法均有所提高。4)基于集成学习的进展型轻度认知功能障碍识别。应用了随机投影降维方法对获取的64×180维的数据进行降维处理,然后应用于二级集成分类器中。实验结果表明,本文使用二级集成分类器方法实现的分类准确率为74.22%,敏感度为66.25%,特异性为82.19%。相对于现有的相似工作,本文实现了在MCI-C和MCI-NC分类中的性能提升。
【关键词】：轻度认知功能障碍 支持向量机 随机投影 遗传算法 集成学习
【学位授予单位】：安徽工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R749.16;TP391.41
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-13
• 1.1 阿尔茨海默病的研究现状9
• 1.2 轻度认知功能障碍的研究现状及意义9-10
• 1.3 基于数据挖掘的医学图像分类10
• 1.4 本文的研究意义及克服的难点10-11
• 1.5 本文的研究内容与结构11-13
• 第二章 图像预处理13-24
• 2.1 研究对象的获取及分析13
• 2.2 相关生物标志物13-15
• 2.2.1 核磁共振图像MRI14
• 2.2.2 正电子发射断层扫描成像PET14-15
• 2.3 图像预处理过程及结果15-23
• 2.3.1 头动校正16-18
• 2.3.2 组织分割和空间标准化18-22
• 2.3.3 空间平滑22-23
• 2.4 总结23-24
• 第三章 各个脑区灰质体素值的获取24-31
• 3.1 XjView中各脑区体素值的获取24-25
• 3.2 利用模板对AAL分区的各脑区灰质体素值的获取25-30
• 3.2.1 AAL模板分区26-28
• 3.2.2 模板的制作28-29
• 3.2.3 灰质体素值的获取29-30
• 3.3 总结30-31
• 第四章 基于多核融合的进展型轻度认知功能障碍识别31-49
• 4.1 支持向量机方法概述31-34
• 4.1.1 线性最优分类超平面31-33
• 4.1.2 特征空间与核函数33-34
• 4.2 遗传算法34-40
• 4.2.1 编码34-36
• 4.2.2 选择36-37
• 4.2.3 交叉和变异37-38
• 4.2.4 适应度函数38-39
• 4.2.5 遗传算法的基本流程39-40
• 4.3 交叉验证40-41
• 4.4 标准化方法41-42
• 4.5 多核融合分类42-48
• 4.5.1 基于遗传算法的核融合方法43-44
• 4.5.2 单模态数据分类结果44-46
• 4.5.3 双模态数据融合分类结果46-48
• 4.6 总结48-49
• 第五章 基于集成学习的进展型轻度认知功能障碍识别49-60
• 5.1 特征降维方法49-50
• 5.1.1 主成分分析方法49
• 5.1.2 随机投影降维方法49-50
• 5.2 集成学习方法50-54
• 5.2.1 Boosting算法51-52
• 5.2.2 Bagging算法52-53
• 5.2.3 Stacking算法53-54
• 5.3 二级集成学习分类器54-59
• 5.3.1 二级集成学习分类方法54-55
• 5.3.2 特征降维维数的选择55-56
• 5.3.3 二级集成分类器的实验结果与分析56-59
• 5.4 总结59-60
• 第六章 总结与展望60-62
• 参考文献62-66
• 在校研究成果66-67
• 致谢67-68
• 附录一 插图清单68-70
• 附录二 表格清单70

【相似文献】

中国重要会议论文全文数据库 前4条

1 关菁华;刘大有;贾海洋;;自适应多分类器集成学习算法[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

2 刘伍颖;王挺;;一种多过滤器集成学习垃圾邮件过滤方法[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

3 叶红云;倪志伟;陈恩红;;一种混合型集成学习演化决策树算法[A];2005年“数字安徽”博士科技论坛论文集[C];2005年

4 李烨;蔡云泽;许晓鸣;;基于支持向量机集成的故障诊断[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

中国博士学位论文全文数据库 前10条

1 阿里木·赛买提(Alim.Samat);基于集成学习的全极化SAR图像分类研究[D];南京大学;2015年

2 王永明;集成回归问题若干关键技术研究[D];华东师范大学;2015年

3 常征;基于混合集成学习的眼部与四肢交互动作建模与识别[D];北京科技大学;2016年

4 张春霞;集成学习中有关算法的研究[D];西安交通大学;2010年

5 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年

6 尹华;面向高维和不平衡数据分类的集成学习研究[D];武汉大学;2012年

7 王清;集成学习中若干关键问题的研究[D];复旦大学;2011年

8 方育柯;集成学习理论研究及其在个性化推荐中的应用[D];电子科技大学;2011年

9 侯勇;特征提取与集成学习算法的研究及应用[D];北京科技大学;2015年

10 李烨;基于支持向量机的集成学习研究[D];上海交通大学;2007年

中国硕士学位论文全文数据库 前10条

1 高伟;基于半监督集成学习的情感分类方法研究[D];苏州大学;2015年

2 宋文展;基于抽样的集成进化算法研究[D];广西大学;2015年

3 汤莹;迁移与集成学习在文本分类中的应用研究[D];江苏科技大学;2015年

4 刘政;基于知识元和集成学习的中文微博情感分析[D];大连理工大学;2015年

5 丘桥云;结合文本倾向性分析的股评可信度计算研究[D];哈尔滨工业大学;2014年

6 秦海;融合非标记样本选择的集成学习研究[D];湘潭大学;2015年

7 李想;基于多示例的集成学习理论与应用研究[D];合肥工业大学;2014年

8 李震宇;基于集成学习的数字图像隐写定量分析[D];解放军信息工程大学;2014年

9 王希玲;基于选择性集成学习的网络入侵检测方法研究[D];青岛科技大学;2016年

10 陈范曙;基于信息整合的药物相关信息挖掘方法研究[D];华东师范大学;2016年

，

本文编号：879113