论文部分内容阅读
阿尔茨海默病(Alzheimer’s disease,AD)是老年期认知障碍疾病中最常见的类型,该病常起病隐匿,随着病情进展会对老年人的身体健康产生严重危害,如何通过有效的方式对AD患者进行及时地发现和治疗显得尤为重要。结构磁共振影像(structural Magnetic Resonance Imaging,sMRI)凭借其无创性、无放射性等优势,已成为AD临床和科学研究中不可或缺的技术手段。sMRI刻画了人脑3维的结构信息,其中包括人脑各组织的体积、皮层的厚度和表面积等,能够对AD的诊断提供有效的证据。目前已有大量研究利用从sMRI中提取的特征进行AD的识别。然而已有研究大都是基于单一中心或美国阿尔茨海默病神经影像组织(Alzheimer’s Disease Neuroimaging Initiative,ADNI)等公共数据集上的sMRI数据进行的,没有考虑到实际应用中数据来自不同的中心,得到结果在未知中心数据上的泛化性能无法得到保障。本文首先提出了一种简单易用的基于人类脑网络组图谱(Human Brainnetome Atlas)进行特征提取的方法,选取ADNI数据库中的226例正常被试(Normal Control,NC)和227例AD患者的sMRI数据作为研究对象,提取每个个体脑网络组图谱中各脑区的平均灰质密度作为特征,利用支持向量机(Support Vector Machine,SVM)对NC和AD患者进行分类,通过10折交叉验证的方式得到了 85.2%的平均分类准确率。后续的分析发现海马、杏仁核及梭状回等脑区的平均灰质密度对NC和AD患者的识别贡献很大,并且这些脑区的萎缩程度与患者的认知能力密切相关。同时,本文利用最小绝对收缩选择算子(Least Absolute Shrinkage and Selection Operator,LASSO)对个体的简易智力状态评分(Mini-mental State Examination,MMSE)进行预测,预测结果跟真实值间存在显著的正相关(r=0.65,p<0.001)。以上研究结果表明,基于脑网络组图谱脑区划分提取的脑区平均灰质密度特征可以有效地对AD患者进行识别,并且可以用来评估个体的认知水平。为了检验本文的特征提取方法在未知中心数据上的泛化能力,本文选取6个中心NC和AD患者的sMRI数据并采用同样的特征提取方法得到每个被试脑网络组图谱中各脑区的平均灰质密度。之后,本文采取中心间交叉验证(inter-site cross-validation)的方式,通过线性SVM实现了 85.84%的平均分类准确率。同时,本文也考察了 6个中心sMRI数据、ADNI数据集和基于弥散张量成像(diffusion tensor imaging,DTI)的欧洲痴呆研究数据集(The European DTI Study on Dementia,EDSD)3大数据集之间的交叉验证,得到了 84.07%平均分类准确率。最后,本文分析了6个中心数据间交叉验证过程中对区分AD患者和正常被试有重要贡献的特征,发现了海马、海马旁回、梭状回、颞上回、中央后回、基底神经节和楔前叶等区域的平均灰质密度在AD患者的识别过程中有很大贡献。以上结果表明本文提出的特征提取方法受不同中心之间样本差异的影响较小,是一种比较鲁棒的方法。在实际应用中,基于该方法可以很好地辅助医生完成AD患者的诊断。相关的特征可以作为AD研究的生物学标记,帮助人们理解AD的发病进程。