论文部分内容阅读
儿童注意缺陷与多动症(attention deficit hyperactivity disorder,ADHD)属于较为普遍的神经性发育性障碍。患者主要表现出难以集中注意力,行为多动等症状。近年来,模式识别方法广泛应用于疾病的诊断以及病灶的寻找,但是最终的分类结果依赖于分类特征的选取和分类器的选择。本文综合考虑了不同分类特征和不同分类器的各种组合,得到ADHD的较优分类模型,并基于此较优分类模型去寻找ADHD的病灶脑区,研究结果可以为ADHD的诊断及治疗提供一定的帮助。本文采用ADHD-200竞赛网上的部分数据,基于区域一致性、低频波动振幅分数、体素镜像同伦连接和度中心度四种特征脑图像,用AAL(Anatomical Automatic Labeling)模板提取出每个脑区的相应特征值,将脑区的特征值输入到多个分类器中并训练分类器,最后向已经训练好的分类器中输入预留出的测试集数据,全方位的评估多种分类器的分类性能。我们发现,分类器SVMcs(Support vector classifification by Crammer and Singer)表现一直很稳定,可以作为一种稳定的鉴别ADHD神经影像的分类器来使用。神经网络的分类性能则不太理想,本文解释了出现这种结果的原因,并对ADHD选择特征和分类器提出建议。为了寻找ADHD的病灶脑区,本文基于上述性能较优的分类器提出一种投票算法,该方法可以对影响分类效果的脑区按照重要性进行排序。我们的结果表明,ADHD病灶脑区主要位于前额叶、小脑和尾状核,这一结果与许多关于ADHD病灶脑区的研究相似。本文为ADHD研究的特征选择和模式识别方法提出了一些建议,并且找出了ADHD的病灶脑区,为ADHD临床医学的诊断及治疗提供了一定的帮助。