论文部分内容阅读
人类大脑拥有超过数千亿个连接，是“宇宙中最复杂的系统之一”。大脑产生了人类所有的认知、情感、行为、思想，可以说大脑塑造并成就了人类本身。磁共振成像技术(magnetic resonance imaging，MRI)为我们探索大脑的奥秘提供了强有力的手段。比如结构MRI(structural MRI，sMRI)数据反映出大脑的结构特点，而功能MRI(functional MRI，fMRI)数据则可以记录大脑的动态活动模式，帮助解码脑功能激活水平和认知状态。近年来，单变量统计分析和多变量模式分析方法是脑图像分析中最常用的方法。而随着多模态、多中心、多组别数据越来越受到关注，相对比于传统的单任务学习方法，多任务特征学习方法也逐渐受到重视。本文利用了单任务学习下的单变量统计分析和多变量学习方法，对两组数据进行模式分类和异常特征的提取；并提出了多任务学习框架，对多中心和多组别数据进行多任务特征学习和模式分类。论文主要包括以下四个方面工作：
使用多变量学习方法对放疗前后的鼻咽癌患者进行模式分类。本文第二章通过研究放疗引起的的鼻咽癌患者的全脑功能连接的异常模式，对两组病人进行分类。我们采集了两组被试的fMRI图像，在全脑定义了160个感兴趣区，并生成了每个被试的全脑功能连接图谱。我们使用了多变量模式分析方法对两组被试进行分类，得到了较高的分类精度，并找到两组被试之间的最具分辨力的差异功能连接。同时评估了这些差异功能连接与认知打分值的相关性。结果表明，两组患者相比有45个显著异常的功能连接，这些连接主要与三个脑网络之间的连接相关，包括小脑、体感运动和带状盖网络。其中有五个异常功能连接与认知打分值，特别是注意力打分值之间存在显著相关。异常的功能连接模式可能可以作为潜在的生物标记，并且为进一步的功能恢复治疗提供有价值的目标。本研究表明多变量模式识别方法在两组被试之间的模式分类上的有效性，并可以准确的鉴别两类被试之间的全脑功能连接差异模式。
使用单变量学习方法研究放疗引起的鼻咽癌患者的基于小脑的功能连接异常模式。本文第三章着重于研究接受放疗和未接受放疗的鼻咽癌患者之间的基于小脑的功能连接差异模式。我们在小脑之中选取了左右对称的10个ROI，分别代表五个不同的功能网络，并生成所有被试的小脑-大脑功能连接图谱。使用了严格的单变量统计检验方法，对两组被试的小脑-大脑的功能连接进行差异分析。结果发现了三个显著改变的功能连接，这三个连接也被证实与认知量表打分值显著相关。我们推测，放疗显著改变了这三个小脑-大脑功能连接，这些异常连接可能与接受放疗的患者的注意、记忆和执行能力上的障碍相关。这些显著改变的小脑功能连接和功能网络之间的相互关系可能可以作为潜在的生物标记，为进一步理解放疗引起的脑认知异常提供证据。本研究表明单变量分析方法可以简单有效地用于提取两组被试之间的差异特征。
提出一种多任务学习框架对三个中心采集的精神分裂症患者和健康被试数据进行多中心模式分类。随着大数据时代的到来，多中心融合研究变得非常重要。然而，不同机器在数据采集中带来的数据异质性问题使得多中心的融合学习产生了巨大挑战。本章着重利用多个中心采集的精神分裂症数据对疾病进行分类，目标在于使得用多中心数据比单中心数据的分类精度更高。我们在三个研究中心采集了三组精神分裂症和正常人的sMRI数据，提取出每个被试的大脑灰质体积信息。我们对多中心数据提出了一个前提假设，即多中心的数据存在与疾病相关的共有异常特征，并且每个中心各有与中心相关的特有特征。基于这个假设，我们提出了一个多任务学习框架来学习多中心精神分裂症数据的中心共有和中心特有的特征，并凸显出更能反映疾病病理机制的中心共有特征的权重，来构建一个分类器对多中心数据进行模式分类。实验结果表明，基于多任务学习的分类精度显著高于单中心分类精度，以及将三个中心合并成一个大数据集的分类精度。由多任务学习方法也得到了多中心的共有特征，这些异常特征在以往对精神分裂症研究之中被广泛报道。本研究表明我们提出的多任务学习框架为多中心融合学习问题提供了一个有效的模式分类方法，在处理数据异质性问题上有很大价值。
提出一种多任务学习框架对治疗前后的精神分裂症患者以及正常人进行多组别模式分类。对治疗前后的精神分裂症病人和正常人同时进行模式分析与识别，有利于同时利用三组数据之间的信息，提高各个分类任务的分类性能。本文第五章采集治疗前和治疗后的精神分裂症患者，以及正常被试的fMRI图像，生成每个被试的全脑功能连接模式。本研究定义了四组不同的分类任务，包括正常被试与所有患者、正常被试与未治疗患者、正常被试与接受治疗的患者、以及未治疗和已治疗患者之间的分类。我们提出了一种多任务学习方法，来对四个分类任务同时进行特征学习并分类。结果显示多任务学习比单任务学习的分类性能更高。多任务学习可以准确的学习每个分类的显著差异特征，这些特征在理解不同群组的被试之间的差异上提供了影像学证据。本研究表明多任务学习在多组别数据分类和特征提取中的优势。
使用多变量学习方法对放疗前后的鼻咽癌患者进行模式分类。本文第二章通过研究放疗引起的的鼻咽癌患者的全脑功能连接的异常模式，对两组病人进行分类。我们采集了两组被试的fMRI图像，在全脑定义了160个感兴趣区，并生成了每个被试的全脑功能连接图谱。我们使用了多变量模式分析方法对两组被试进行分类，得到了较高的分类精度，并找到两组被试之间的最具分辨力的差异功能连接。同时评估了这些差异功能连接与认知打分值的相关性。结果表明，两组患者相比有45个显著异常的功能连接，这些连接主要与三个脑网络之间的连接相关，包括小脑、体感运动和带状盖网络。其中有五个异常功能连接与认知打分值，特别是注意力打分值之间存在显著相关。异常的功能连接模式可能可以作为潜在的生物标记，并且为进一步的功能恢复治疗提供有价值的目标。本研究表明多变量模式识别方法在两组被试之间的模式分类上的有效性，并可以准确的鉴别两类被试之间的全脑功能连接差异模式。
使用单变量学习方法研究放疗引起的鼻咽癌患者的基于小脑的功能连接异常模式。本文第三章着重于研究接受放疗和未接受放疗的鼻咽癌患者之间的基于小脑的功能连接差异模式。我们在小脑之中选取了左右对称的10个ROI，分别代表五个不同的功能网络，并生成所有被试的小脑-大脑功能连接图谱。使用了严格的单变量统计检验方法，对两组被试的小脑-大脑的功能连接进行差异分析。结果发现了三个显著改变的功能连接，这三个连接也被证实与认知量表打分值显著相关。我们推测，放疗显著改变了这三个小脑-大脑功能连接，这些异常连接可能与接受放疗的患者的注意、记忆和执行能力上的障碍相关。这些显著改变的小脑功能连接和功能网络之间的相互关系可能可以作为潜在的生物标记，为进一步理解放疗引起的脑认知异常提供证据。本研究表明单变量分析方法可以简单有效地用于提取两组被试之间的差异特征。
提出一种多任务学习框架对三个中心采集的精神分裂症患者和健康被试数据进行多中心模式分类。随着大数据时代的到来，多中心融合研究变得非常重要。然而，不同机器在数据采集中带来的数据异质性问题使得多中心的融合学习产生了巨大挑战。本章着重利用多个中心采集的精神分裂症数据对疾病进行分类，目标在于使得用多中心数据比单中心数据的分类精度更高。我们在三个研究中心采集了三组精神分裂症和正常人的sMRI数据，提取出每个被试的大脑灰质体积信息。我们对多中心数据提出了一个前提假设，即多中心的数据存在与疾病相关的共有异常特征，并且每个中心各有与中心相关的特有特征。基于这个假设，我们提出了一个多任务学习框架来学习多中心精神分裂症数据的中心共有和中心特有的特征，并凸显出更能反映疾病病理机制的中心共有特征的权重，来构建一个分类器对多中心数据进行模式分类。实验结果表明，基于多任务学习的分类精度显著高于单中心分类精度，以及将三个中心合并成一个大数据集的分类精度。由多任务学习方法也得到了多中心的共有特征，这些异常特征在以往对精神分裂症研究之中被广泛报道。本研究表明我们提出的多任务学习框架为多中心融合学习问题提供了一个有效的模式分类方法，在处理数据异质性问题上有很大价值。
提出一种多任务学习框架对治疗前后的精神分裂症患者以及正常人进行多组别模式分类。对治疗前后的精神分裂症病人和正常人同时进行模式分析与识别，有利于同时利用三组数据之间的信息，提高各个分类任务的分类性能。本文第五章采集治疗前和治疗后的精神分裂症患者，以及正常被试的fMRI图像，生成每个被试的全脑功能连接模式。本研究定义了四组不同的分类任务，包括正常被试与所有患者、正常被试与未治疗患者、正常被试与接受治疗的患者、以及未治疗和已治疗患者之间的分类。我们提出了一种多任务学习方法，来对四个分类任务同时进行特征学习并分类。结果显示多任务学习比单任务学习的分类性能更高。多任务学习可以准确的学习每个分类的显著差异特征，这些特征在理解不同群组的被试之间的差异上提供了影像学证据。本研究表明多任务学习在多组别数据分类和特征提取中的优势。