论文部分内容阅读
轻度认知功能障碍(MCI)是对阿尔茨海默病(AD)进行预防和治疗的最佳时期。但是并不是所有的MCI患者都会进展为AD。要想在MCI时期给予有效的预防干预措施,就必须能够有效地识别和区分进展型MCI患者(MCI-C)和非进展型MCI患者(MCI-NC)。因此,本文最终从ADNI数据库中获取了64个研究对象(其中有32个MCI-C和32个MCI-NC)的磁共振图像(MRI)和正电子发射断层扫描(PET)数据进行研究,以期能够建立性能良好分类模型。1)图像预处理。从ADNI数据库中获取了MCI患者的基本信息,在研究对象的选择上应用控制变量的方法,使MCI-C和MCI-NC样本在年龄上尽量对等。在MRI和PET图像的处理上每一步都严格执行,具体的处理步骤有头动校正、分割和标准化以及图像平滑等。2)各脑区灰质体素值的获取。本文利用SPM8、WFU、Get-totals等工具制作AAL的大脑分区的90个脑区的模板以及获取相应脑区灰质值的方法。最终获取了研究所需的64×180维的数据(其中包括从MRI获取的64×90维数据和从PET图像获取的64×90维的数据)。3)基于多核融合的进展型轻度认知功能障碍识别。本文应用获取的数据,从单模态特征分类结果可知,应用PET模态信息在MCI-C和MCI-NC之间分类的分类效果要比用MRI的分类效果较好。考虑到不同的模态信息对分类性能的补充效果和贡献率不同,又将这两个模态的信息进行融合,并且利用遗传算法启发式搜索功能,寻找两个模态信息的最佳权重值,再结合支持向量机进行分类识别。结果表明,在对MCI-C与MCI-NC分类识别的问题中,基于遗传算法的多核融合分类方法,在准确率、敏感度和特异性上相较于单模态方法均有所提高。4)基于集成学习的进展型轻度认知功能障碍识别。应用了随机投影降维方法对获取的64×180维的数据进行降维处理,然后应用于二级集成分类器中。实验结果表明,本文使用二级集成分类器方法实现的分类准确率为74.22%,敏感度为66.25%,特异性为82.19%。相对于现有的相似工作,本文实现了在MCI-C和MCI-NC分类中的性能提升。