论文部分内容阅读
痴呆是指慢性获得性进行性智能障碍综合征,防治的关键是早期无创检测并干预。阿尔兹海默病(Alzheimer’s disease,AD)和血管性痴呆(Vascular dementia,VD)是最常见的痴呆类型,轻度认知障碍(Mild cognitive impairment,MCI)和血管性认知障碍(Vascular cognitive impairment,VCI)是介于正常老龄化到AD和VD之间的过渡状态,会以一定概率转化为痴呆。在痴呆症的病变过程中,大脑的不对称性会发生改变。因此,探索一种基于大脑不对称性的痴呆症早期诊断方法,对于痴呆症的干预十分重要。磁共振成像技术(Magnetic Resonance Imaging,MRI)能定量地反映大脑不同组织在结构和功能上的变化、表征代谢物浓度,并具有无创、空间分辨率高、无辐射等优势,已广泛应用于AD早期诊断。本文提取了多种脑MR影像的不对称特征,设计了基于机器学习的封装式特征学习分类集成模型,对提取的不对称特征进行特征学习和分类诊断,以获取更高更稳定的痴呆症分类诊断准确率,为基于MR影像不对称特征的痴呆早期诊断提供思路。论文的主要工作如下:提出了用于AD和VD早期诊断的封装式特征选择分类模型,通过链式智能体遗传算法进行全局特征选择,以支持向量机分类准确率作为链式智能体遗传算法的适应度值,选择最优特征子集,以降低特征维度,提升分类准确率。对于AD,测试了单个及少量不对称特征的分类能力,以及优良特征的分布。通过对特征选择前后的特征分类能力进行对比,验证了封装式特征选择分类模型的有效性。分析了正常老龄化到MCI到AD转化的过程中,对分类意义较为明显的区域及特征。对于VD,实现了封装式特征加权分类模型,通过链式智能体遗传算法进行全局特征权重搜索,以支持向量机分类准确率作为链式智能体遗传算法的适应度值,得到特征集的最优权值组合及其分类诊断准确率,并与特征选择的结果进行比较。本文基于机器学习的方法研究了脑MR影像不对称特征在AD和VD诊断中的应用,实现了高准确率的分类算法,并研究了不对称特征在其中的作用,深入了解其机理,为提供AD和VD的早期诊断提供新的研究思路和方法参考,为推动相关研究的临床化和实用化发展提供了一定的理论基础和方法依据。