论文部分内容阅读
阿尔茨海默症(Alzheimer’s Disease,AD)是一种以认知障碍为主要临床特征、发病过程缓慢的神经退行性病变,当出现明显症状时患者往往位于疾病中晚期而无法得到有效治疗,因此早期诊断和干预治疗是对疾病实施有效控制的重要手段。患者在AD临床前期阶段脑细胞功能尚存且位于AD治疗的最佳时间窗内,因此近年来针对AD前期阶段(即轻度认知障碍(Mild Cogni-tive Impairment,MCI)和 主观认知下降(Subjective Cognitive Decline,SCD)阶段)的有效准确分类越来越受到关注并逐渐成为研究的焦点。此外,现有多数针对MCI、SCD和AD的分类研究只考虑了单一的生物标志物,为提高分类诊断准确率需要融合不同生物标志物以提供充分信息,因此本文提出了一种基于多模态支持向量机(Support Vector Machine,SVM)的AD临床前期分类算法。该算法利用多模态医学影像信息从多个角度探索AD发生的脑机制,通过融合结构磁共振成像(Structural Magnetic Resonance Imaging,sMRI)中提取的灰质体积信息、静息态功能磁共振成像(Resting State Functional Magnetic Resonance Imaging,rs-fMRI)中提取低频振幅(Amplitude of Low Frequency Fluctuation,ALFF)值以及弥散张量成像(Diffusion Tensor Imaging,DTI)中提取的结构连接网络以有效提高分类模型的性能。针对SCD阶段患者脑部结构、功能等标记物改变不明显的问题,本文选用AD组与正常对照组之间存在显著性差异的脑区作为模板,利用此模板进行无关特征排除,可有效避免因SCD阶段功能结构改变细微而导致特征的遗漏。通过比较f classif方差分析、ReliefF、递归特征消除特征选择算法的优劣确定最优特征子集选择算法,然后利用不同模态数据之间的互补性设计基于多模态SVM的分类模型,并与单模态SVM以及基于加权求和核的多核SVM进行性能对比。结果表明,本文所提出的方法在SCD与正常对照之间的分类准确率可达86.67%,比基于sMRI的单模态SVM分类准确率高13.34%,比基于rs-fMRI的单模态SVM分类准确率高20%,比基于DTI的单模态SVM分类准确率高13.34%,较基于加权求和核的多核SVM的分类准确率高6.67%;同时,针对aMCI、AD的分类,对比单模态SVM分类器,多模态SVM的分类准确率也得到显著提升。此外,本文所提方法运行时间短,易于嵌入传统的SVM分类器中,具有较大的应用价值,并且通过对SCD的诊断可在疾病早期进行干预和治疗,具有很大的临床意义。