论文部分内容阅读
阿尔兹海默症(Alzheimer’s disease,AD)是中老年人群中最常见的神经退行性疾病,目前尚无准确定量的早期诊断或预测方法且难以有效治愈。随着社会老龄化问题日渐严重,该疾病的诊断和治疗正面临越来越严峻的挑战。磁共振成像(Magnetic Resonance Imaging,MRI)技术能够定量地反映大脑组织在结构和功能上的特征与变化,具有无创、高空间分辨等优点,并已广泛应用于AD诊断研究中。随着MRI多种成像技术的不断发展,基于MRI影像的多种特征参数也正普遍应用于AD临床。且在当前大数据信息时代背景下,这种多特征的融合分析技术越来越占有重要地位。本论文研究提出了一种基于MRI多特征融合的模式识别方法,并尝试用于AD诊断。首先研究优化了构建分类器模型的关键技术环节。基于支持向量机(Support Vector Machine,SVM)模型,本文构建了封装式特征选择及参数优化的分类器模型,通过递归特性消除算法进行特征选择,可选得最优特征子集并降低特征维度;然后使用梯度筛选算法优化SVM模型参数使分类器性能最佳。其次,本文基于脑结构网络并结合脑灰质和白质特征建立了用于AD诊断的机器学习模型。利用该分类模型可通过结构网络连接特征分析灰质异常,其结果证实优于直接分析灰质特征的方法,更有助于AD的早诊研究;经比较分析网络节点及其连接特征,结果证实AD患者脑网络结构失连接的空间分布与其脑灰质结构的退化存在内在联系,进一步展示了基于脑网络与脑灰白质联合结构特征模式分析在AD早期病理诊断中的应用潜力。最后基于多模态MRI数据建立了跨模态融合的机器学习模型并应用于AD诊断分析,对比了扩散张量成像(DTI)、扩散峰度成像(DKI)与功能磁共振成像(fMRI)三种模态下AD诊断分类结果,其中正确率最高为DKI(达91.8%),最低为fMRI(73.5%),证实跨模态融合有助于大幅度提升fMRI分类正确率,但其它两个模态的正确率并无明显增加。利用感兴趣区域(ROI)识别信息搜索AD相关脑区结果表明:脑结构关联核心区域为海马旁回、脑岛等,而功能关联核心区域则为额中回、颞下回等。以上结果为AD早诊提供了新的参考信息。总之,本论文构建了具有优化策略的多模态MRI分类器模型,研究了基于MRI大脑结构与功能特征融合方法,较深入探究了多种模态融合在AD诊断中的应用。结果证实MRI多特征信息融合的机器学习模式识别可以有效地改进AD诊断方法并提高其早诊水平。