基于多模态脑分区和机器学习的认知障碍分类研究.pdfVIP

杭州电子科技大学硕士学位论文

摘要

阿尔茨海默(Alzheimersdisease，AD)是一种常见的神经退行性疾病，该病的

主要特征是记忆力下降，语言功能丧失，并且这种功能的丧失是不可逆的，直至

患者死亡才会结束。近些年来，随着多模态医学影像技术和机器学习的发展，将

两者结合起来对AD患者的不同患病阶段诊断的技术成为研究新方向。

目前，在AD分类方面，大多数研究都是对AD,MCI(MildCognitive

Impairment),HC(HealthyControl)的两两分类，在多分类领域研究较少；在实验数

据方面，研究者多使用sMRI(StructuralMagneticResonanceImaging)数据或

sMRI+PET(PositronEmissionComputedTomography)数据等单模态数据，对

fMRI(FunctionalMagneticResonanceImaging)数据研究较少,而sMRI观察到大脑

结构性变化时，已经错过了病人的最佳治疗时间，而fMRI可以检测到大脑功能

性变化，起到及早干预的作用；在使用的脑分区方面，目前研究者采用的脑区多

是经典脑分区方法，对关键脑区对应的模态数据研究较少。因此本文的研究结合

多分类、fMRI多模态数据、必威体育精装版脑分区方法HCPMMP（HumanConnectomeProject

Multi-ModalParcellation)、关键脑区分析，对上述研究较少的领域进行研究。主

要内容为：

（1）基于迄今为止最详细的大脑皮层分区方式HCPMMP，提出了一种新的

特征选择方法JMMP-LRR(JointMMP-LogisticRegression-Recursivefeature

elimination)，包括如下四个步骤：多模态数据预处理、构建复杂脑网络，将

HCPMMP数据可视化、计算复杂脑网络度量标准参数，生成特征矩阵、通过LR-

RFE算法提取重要特征。该特征选择方法能够解决AD患者多模态磁共振数据格

式混乱、分辨率不高、特征维度高、样本数量少的问题。

（2）基于特征选择方法JMMP-LRR，实现了AD,MCI,HC高准确率的二分

类和三分类。通过不同分类器，发现SVM（linear）算法和OVR-SVM（linear）

在JMMP-LRR特征选择方法上分类效果优秀，分别适用于二分类和三分类。二

分类ADvs.HC、MCIvs.HC、ADvs.MCI分类精度分别为98%、95.5%、92%，

三分类MCIvs.ADvs.HC分类精度为89%，这些实验结果均好于同期分类研究

成果，也证明了JMMP-LRR方法在阿尔兹海默分类的优越性。

（3）发现了5个在阿尔兹海默三分类中影响巨大的脑区：FFC、10d、OFC、

PeEc和TGd。本研究设计了对比实验，一组是来自这5个脑区的11个特征，另

一组是来自其余19个特征对应的19个脑区的随机5个脑区。5个脑区组的三分

I

杭州电子科技大学硕士学位论文

类结果达到了80%，并且模型评估稳定良好；其余脑区组的三分类结果仅为

49.8%，并且模型评估不稳定。实验结果证明了这5个脑区确实为阿尔兹海默分

类的核心脑区，并且在临床医学上找到了相对应的医学理论支撑，在今后研究中

可以加大对这5个脑区的功能性或结构性变化的关注度。

关键词多模态脑区，机器学习，阿尔兹海默，HCPMMP，分类

II

杭州电子科技大学硕士学位论文

Abstract

Alzheimersdisease(AD)isacomm