论文部分内容阅读
阿尔茨海默病（Alzheimer’s Disease,AD）属于神经性痴呆中一种较为多见的形式,危害严重,给患者家庭和社会医疗造成了巨大负担。目前对于AD尚无治愈手段,攻克它的真正希望在于早期的识别与干预。轻度认知障碍（Mild Cognitive Impairment,MCI）是AD的前驱阶段,在一些情况下对MCI患者进行有效治疗可以延缓病状甚至使其恢复。研究表明每年约存在10%～15%的MCI患者转化为AD,而在一定时间内未转化的MCI患者可能将稳定在该状态下。因此,若能在早期识别出MCI患者,并预测其是否会进一步转化为AD,将有助于患者尽早接受治疗,提高诊疗效果。磁共振影像（Magnetic Resonance Imaging,MRI）可反映大脑的组织结构,已被应用于AD的临床诊断中。本文提出了利用MRI的多种形态学和放射学特征融合的思路,即结合大脑组织形态与影像纹理信息以最大化地呈现影像特点,然后对AD的早期诊断及预测进行研究。具体内容如下:首先,针对AD、MCI、正常对照（Normal Contraol,NC）、转化型 MCI（progressional MCI,pMCI）和稳定型 MCI（stable MCI,sMCI）五组数据,利用FreeSurfer完成MRI的预处理,再对多种形态学特征和放射学特征的提取技术进行研究。然后,为避免由于形态学与放射学特征维度太高而对模型性能造成不利影响,本文设计了一种基于最大相关最小冗余（Max-Relevance and Min-Redundancy,mRMR）和支持向量机-递归特征消除（Support Vector Machine-Recursive Feature Elimination,SVM-RFE）的混合特征选择算法,以寻求具有最大相关、最小冗余性以及最佳判别能力的低维度特征子集,再结合SVM构建AD/NC、AD/MCI、MCI/NC、AD/MCI/NC以及pMCI/sMCI分类模型,从而实现基于混合特征选择的AD早期诊断及预测。最后,通过实验验证了该方法的有效性,结果得到 AD/NC、AD/MCI、MCI/NC、AD/MCI/NC 和 pMCI/sMCI 的分类准确率分别为93.5%、90.1%、87.1%、82.6%和81.3%,并且根据特征选择的结果分析了与疾病密切相关的敏感脑区,从而探讨了AD的诊断标志物和转化预测因子。接下来,考虑到串联融合策略无法描述不同类型特征之间复杂的相关性,本文结合线性判别分析（Linear Discriminant Analysis,LDA）和典型相关分析（Canonical Correlation Analysis,CCA）算法设计了一种MRI多特征融合算法。该算法在利用CCA实现两组特征间相关性最大化目标的同时,借助LDA引入样本的类别信息,实现异类样本间的距离最大化及同类样本间的距离最小化目标,即获得可划分性能最佳的样本数据。然后通过核SVM分类器构建各分类模型,从而实现基于判别型典型相关分析的AD早期诊断及预测。实验结果表明该方法进一步提升了分类性能,结果得到AD/NC、AD/MCI、MCI/NC、AD/MCI/NC 和 pMCI/sMCI 的分类准确率分别为 95.9%、92.4%、90.0%、85.7%和 84.5%。