基于结构磁共振成像海马多特征组合的阿尔茨海默病分类新方法

本文提出了一种利用结构磁共振图像多特征组合的阿尔茨海默病(AD)分类新方法。首先,利用FreeSurfer软件进行海马分割及皮层厚度、体积测量。然后,采用直方图、梯度、灰度共生矩阵及游程长度矩阵提取海马三维纹理特征,选取AD、MCI及NC三组间均具有显著差异的参数,与MMSE评分进行相关性研究。最后,利用极限学习机,对AD、MCI及NC进行分类识别。结果显示,无论左侧还是右侧,纹理特征相比于体积特征可以提供更好的分类结果;纹理、体积和皮层厚度互补的特征参量具有更高的分类识别率,且右侧(100%)分类正确率高于左侧(91.667%)。结果表明三维纹理分析可反映AD及MCI患者海马结构的病理变化,并且结合多特征的分析更能反映AD与MCI的认知障碍实质差别,更有利于临床鉴别诊断。     

基于随机森林算法的阿尔茨海默症医学影像分类

为实现阿尔茨海默症(AD)的医学影像分类,辅助医生对患者的病情进行准确判断,本研究对采集的34名AD患者、35名轻度认知障碍患者和35名正常对照组成员的功能磁共振影像进行特征提取和分类,具体思路包括:首先利用皮尔逊相关系数计算脑区之间的功能连接,然后采用随机森林算法对被试不同脑区之间的功能连接进行重要性度量及特征选择,最后使用支持向量机分类器进行分类,利用十倍交叉验证估算分类准确率。实验结果显示,随机森林算法可以对功能连接特征进行有效分析,同时得到AD发病过程的异常脑区,基于随机森林和SVM建立的分类模型对AD、轻度认知障碍的识别具有较好的效果,分类准确率可达90.68%,相关结论可以为AD的早期临床诊断提供客观参照。 【关键词】阿尔茨海默症;功能磁共振成像;随机森林;特征选择     

基于多模态典型相关特征表达的阿尔兹海默病诊断

对阿尔兹海默(AD)疾病进程的建模研究,有利于在其早期阶段--轻度认知障碍(MCI)进行更准确的诊断。不仅利用多模态影像数据,还分析模态间特征关系,用于增强与AD/MCI相关的特征表达能力。首先,基于典型相关分析融合不同模态间多个感兴趣区域并生成多模态关系特征表达;其次,基于稀疏最小二乘回归损失函数,以此获得稳定且有识别力的相关性表达特征;最后,使用交叉验证方法将随机选择的训练样本用于支持向量机分类模型,再对测试集受试者进行疾病阶段诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库的805位受试者,包括AD,MCI和正常受试者(NC)。此方法对于AD vs NC,MCI vs NC和p-MCI(进行性轻度认知障碍)vs s-MCI(稳定性轻度认知障碍)等3种不同类型数据,诊断结果分别为92.01%,74.83%和70.27%。与其他算法相比,分类准确率都有明显提高。表明所提出的方法能够有效应用于多模态数据对阿尔兹海默病的诊断分析研究。     

基于独立成分分析的双模态影像分类研究

本文运用信息极大化独立成分分析(ICA)分别提取结构磁共振成像(sMRI)和正电子发射断层影像(PET)的单模态特征,然后使用权重结合策略生成双模态影像特征,可提高阿尔茨海默病(AD)及轻度认知障碍(MCI)诊断准确度。AD患者与健康对照组(HC)的分类实验结果:准确度为93.75%、敏感度为100%、特异度为87.64%。MCI和HC组的实验结果:准确度为89.35%、敏感度为81.85%、特异度为99.36%。与单模态特征下的最好实验结果相比,本文提出的双模态分析方法对分类结果有显著的提高。     

基于sMRI的阿尔茨海默症分类影响因素研究

本研究提出基于三类解剖特征的SVM建模方法,探索样本、特征及算法选择三个因素,对阿尔茨海默症(AD)及其前驱阶段分类的重要性。该方法以三维重构s MRI后不同大脑区域的灰质体积、皮层表面积及其平均厚度三类特征作为SVM模型的输入参数,并采用十折交叉验证方法对AD患者、轻度认知损害患者和健康者进行分类识别,并与其他文献结果进行比较分析。实验结果表明,为了达到更高的分类准确率,选择合适的样本和特征,比选择算法更重要。此结论为未来AD的计算机辅助诊断研究工作提供了有益的指导。     

基于PiB PET图像感兴趣区域的阿尔茨海默症计算机辅助分析

阿尔兹海默症 (AD) 是一种不可逆的神经退行性疾病,PiB PET成像技术可用于AD的早期诊断。但是,目前临床基于PiB PET图像的AD诊断主要依靠医生视觉评估分析,其缺点为依赖医生经验且耗时,无法实现对患者病情的客观追踪,因此提出一种基于PiB PET图像的计算机辅助分析方法 (CAAD)实现AD诊断。使用基于阈值先验的3D格子玻尔兹曼技术分割ROIs,采用主成分分析 (PCA) 技术提取图像特征,最终采取基于支持向量机(SVM)多项式核模型对特征进行分类。通过对ADNI数据库和上海市华山医院PET中心的149个样本的PiB PET数据进行对比实验,该方法对于ROIs的分割后Dice系数平均准确率为91.53%±3.0%,最终对AD和正常老年组(HC)、轻度认知障碍组(MCI)和HC、AD/MCI和HC的分类准确率分别达到87.01%、93.04%和91.95%。与现有文献的AD计算机辅助诊断相比,所提出CAAD方法的准确率高出约10%。 实验结果表明,该方法能够很好地对AD、MCI和HC进行分类。     

一种改进距离的局部线性嵌入算法的基因表达谱数据分类

针对基因表达谱样本数据少、维度高、噪声大的特点,维数约减十分必要。由于基因表达谱数据是以一种高维非线性的向量存在,传统的降维方法使得一些本质维数较低的高维数据无法投影到低维空间中,为此本文引入一种改进距离的局部线性嵌入(LLE)算法对其进行降维。由于原始的LLE方法对近邻个数参数非常敏感,为了增强算法对近邻参数的鲁棒性,文中提出了一种改进距离来度量样本点之间的距离,从而降低了样本点分布不均匀对算法的影响。实验结果表明,改进距离的LLE方法能够有效地提取分类特征信息,并能够在保持较高的分类正确率的前提下大幅度地降低基因数据的维数。     

基于中心化自动加权多任务学习的早期轻度认知障碍诊断

轻度认知障碍(MCI)是阿尔茨海默病(AD)的早期阶段,是治疗AD的最佳时期,因此对MCI的诊断非常重要。多模态数据可以全面分析疾病的状况,有利于疾病的准确诊断,但是现有方法并不能同时有效地分析多个模态数据之间的关系,无法有效结合功能态数据和结构态数据之间的优势。提出一种中心化自动加权多任务学习方法用于MCI的诊断。该方法可以同时学习不同模态的数据,有效地结合数据之间的优势。首先,分别对功能态数据rs-fMRI和结构态数据DTI构造脑网络;其次,基于多模态数据设计新的多任务特征学习模型,每个任务的重要性和模态之间的平衡关系会被自动学习,包括不同模态间的相似性和特异性,以获得稳定且有识别力的表达特征;最后,将选取的特征输入支持向量机模型进行分类诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库,包括明显记忆问题(SMC)、早期轻度认知障碍(EMCI)、晚期轻度认知障碍(LMCI)和正常受试者(NC)。所提出的方法对于NC vs SMC、SMC vs EMCI、SMC vs LMCI和EMCI vs LMCI等4种不同类型数据,诊断结果分别为76.67%、79.07%、80.56%和74.29%,与其他传统算法相比,分类准确率都有明显的提高,有望应用于对早期轻度认知障碍的诊断分析。     

基于MR图像纹理特征的阿尔茨海默病分类模型

目的基于MR图像,提取脑部海马区域纹理特征参数建立阿尔茨海默病(Alzheimer disease,AD)的早期分类预测模型。方法研究数据来源于美国国立老年研究所ADNI数据库,收集研究对象的磁共振(magnetic resonance,MR)脑图像,分别基于左、右和双侧海马图像,通过区域增长法和Contourlet变换提取纹理特征参数,结合研究对象的基本信息作为特征变量采用高斯过程分类方法建立AD患者和健康对照的诊断模型以及轻度认知障碍(mild cognitive impairment,MCI)患者转变为AD的预测模型,并评价模型的灵敏度、特异度以及ROC曲线下面积。结果研究共纳入420例研究对象。基于AD和健康对照两组构建的分类模型,双侧海马区的灵敏度、特异度以及ROC曲线下面积分别为92.7%、87.1%和0.922,均大于基于左侧或右侧海马区图像建立的模型。基于MCI数据建立的AD早期预测模型中,灵敏度最高为82.4%,ROC曲线下面积最高为0.836。结论基于脑部海马区的Contourlet纹理特征构建预测模型,可以识别AD早期的病变情况,这将有助于早期监测MCI进展为AD,为减缓和治疗AD发病提供依据。     

磁共振成像技术在轻度认知障碍中的应用

临床上认为轻度认知障碍(mild cognitive impairment,MCI)是痴呆的前驱阶段,每年MCI转化为痴呆的比率约为10%～15%。目前国内外关于MCI的早期发现与治疗干预尚缺乏客观评价指标,而磁共振成像技术的发展与应用有望为MCI及阿尔茨海默病(Alzheimer disease,AD)的评估提供潜在预测指标,提高MCI及AD的早期发现率。     

基于遗传算法和三维卷积神经网络集成模型的阿尔茨海默症早期辅助诊断

阿尔茨海默病(AD)作为一种常见的神经系统退行性疾病,其致病机制不明,尤其是对处于AD不同阶段的轻度认知障碍(MCI)患者的萎缩区域难以确定,导致误诊率偏高。为此,提出了基于3维卷积神经网络(3DCNN)和遗传算法(GA)相结合的AD早期辅助诊断模型。首先用3DCNN针对感兴趣区域(ROI)训练出候选基分类器,然后利用GA算法从中挑选出最优基分类器组合,最后集成起来进行分类,实现辅助诊断。同时,由于基分类器与脑区之间是一一对应的,进而可以找出具有显著分类能力的脑区。实验结果表明,AD与正常组(NC)的分类准确率为88.6%,转化为AD的MCI(MCIc)与NC的分类准确率为88.1%,未转化为AD的MCI(MCInc)与MCIc的分类准确率为71.3%。此外,通过对关键ROI(即脑区)所对应的行为域数据进行统计分析,GA筛选的关键脑区除了左延髓海马、左尾部海马和内外侧杏仁核、左海马旁回,还新发现了右颞中回前颞上沟、右扣带回背侧23等区域。实验得出所选脑区的功能主要影响情绪、记忆和认知等方面,这与AD患者出现的感情冷淡、记忆力下降、行动能力下降和认知水平下降等外在表现基本吻合。这些均表明所提方法是有效的。     

基于纹理分析的阿尔茨海默症及轻度认知功能障碍的分类研究

目的 利用脑MR图像中胼胝体的三维纹理特征对阿尔茨海默症患者（Alzheimer disease,AD）及轻度认知功能障碍（mild cognitive impairment,MCI）患者进行分类识别,以探索AD早期诊断新途径.方法 选取AD患者、MCI患者及健康对照者各l8例,采用灰度共生矩阵和游程长矩阵提取每位受试者胼胝体部位的三维纹理特征.通过筛选得到的纹理特征参量,利用BP神经网络建立识别模型,对AD患者、MCI患者和健康对照者进行分类识别,并对采用主成分分析、线性判别分析和非线性判别分析3种方法得到的识别结果进行比较.结果 使用神经网络模型的非线性判别分析的分类识别正确率最高.结论 利用三维纹理特征的神经网络模型可分类识别早期AD患者及MCI患者.     

基于3D卷积神经网络-感兴趣区域的阿尔茨海默症辅助诊断模型

磁共振(magnetic resonance imaging,MRI)图像的预测分类对早期阿尔茨海默症(Alzheimer′s disease,AD)的诊断非常重要。轻度认知障碍(mild cognitive impairment,MCI)作为AD的一种早期阶段,在诊断时存在大脑脑区萎缩区域不明确,诊断准确率偏低等问题。本研究提出一种基于感兴趣区域(regions of interest,ROI)的3D卷积神经网络(convolutional neural network, CNN)模型来解决AD分类准确率偏低等问题,进而实现对AD的计算机辅助诊断。实验数据均来自ADNI数据库,实验结果表明,基于ROI的3D CNN的AD辅助诊断模型在分类AD vs正常对照(normal control,NC)、MCI转化AD(MCI converted to AD,MCIc) vs NC和MCI未被转化AD(MCI not converted to AD,MCInc) vs MCIc的5折交叉验证平均准确率分别为85.2%、83.9%、68.5%。相比于传统的主成分分析+支持向量机方法和单纯的切片集成方法,本研究方法在AD辅助诊断中取得了更好的分类效果和泛化能力,还可为其他脑疾病诊断提供新思路。     

阿尔茨海默病患者扣带部位磁共振图像纹理特征及性别特点

目的 分析阿尔茨海默（Alzheimer＇s disease,AD）、轻度认知障碍（mild cognitive impairment,MCI）和正常对照者（normal controls,NC）MR图像扣带纹理特征,并按性别进行分组分析,探索纹理特征在疾病早期诊断上的应用.方法 利用灰度共生矩阵和游程长矩阵对52例MR图像（AD14例、MCI20例、NC18例）进行纹理分析,测试组间参数是否显著不同,并用支持向量机方法对在组间具有显著性差异的纹理特征进行分类识别.结果 与NC组相比,AD和MCI组的能量、游程长不均匀度等纹理特征在前扣带和后扣带均存在显著性差异.按性别分组的实验结果显示,除AD组和NC组间存在显著不同外,男性后扣带在MCI与NC及MCI与AD间均存在显著性差异（P〈0.05）,女性前扣带在MCI和NC组间存在显著性差异（P〈0.05）.分类识别结果显示,男性后扣带分类正确率最高,为90%.结论 MR图像纹理特征可以反映扣带病理变化,不同性别MR图像表现不同,有可能为AD的早期诊断提供帮助.     

老年人快速认知筛查量表筛查早期阿尔茨海默病性痴呆的试测

目的:考查老年人快速认知筛查量表(QCSS-E)筛查社区老年人轻度认知功能障碍(MCI)及轻中度阿尔茨海默病(AD)的性能。方法:在社区募集≥55岁老年人1298人,参照Peterson MCI诊断标准和DSM-5神经认知障碍AD诊断标准为金标准,将其分为正常对照(NC)组(n=629)、MCI组(n=573)及轻中度AD组(n=96)。计算量表总分及各维度得分筛查MCI和轻中度AD的阳性预测值、阴性预测值;采用ROC曲线分析检验量表总分的区分度。结果:量表总分筛查MCI的阳性预测值为67.6%,阴性预测值为83.9%;筛查轻中度AD的阳性预测值为64.2%,阴性预测值为96.9%。ROC曲线分析发现QCSS-E总分筛查正常与MCI、正常与轻中度AD、MCI与轻中度AD的AUC分别为83.5%、98.0%及85.6%。结论:QCSS-E总分及各维度得分在早期AD筛查中性能良好。     

卷积神经网络在阿尔茨海默病诊断中的应用研究

随着深度学习技术在疾病诊断方面的广泛应用,尤其是卷积神经网络(CNN)在计算机视觉、图像处理方面的突出表现,越来越多的研究提出使用该算法实现阿尔茨海默病(AD)、轻度认知障碍(MCI)以及正常认知(CN)之间的诊断。本文系统地回顾了几种经典的卷积神经网络模型在该疾病不同阶段脑影像分析诊断方面的应用进展,进一步探讨了其存在的问题及研究方向,以期为该领域的研究提供一定的参考和借鉴。     

功能性磁共振成像在轻度认知障碍检测诊断的研究综述

现代社会中,阿尔茨海默病已经成为严重影响和限制个人日常生活甚至危及患者生命安全的一种疾病.轻度认知障碍作为阿尔茨海默病的前一个阶段,对其精确诊断有助于干预或降低患者转化为阿尔茨海默病的几率.目前,功能磁共振成像技术已经广泛应用于轻度认知障碍的检测诊断研究中.从特征提取、特征选择、数据降维和分类识别等方面,对fMRI在M...     

基于磁共振图像海马三维纹理特征的阿尔茨海默病及健康对照的分类研究

利用磁共振(MR)图像对阿尔茨海默病(AD)和健康对照(NC)进行分类识别,比较双侧海马在分类识别中的意义。选取AD患者和NC各25人,采用灰度共生矩阵和游程长矩阵提取每位受试者的海马部位的三维纹理特征。通过筛选得到组间存在显著差异的纹理特征参量,对主成分分析、线性判别分析和非线性判别分析3种方法得到的识别结果进行比较。利用反向传播(BP)神经网络建立识别模型,对AD和NC进行分类识别,采用相关性分析比较双侧海马纹理参数与简明智力状态检查(MMSE)评分的相关性。结果显示使用神经网络模型的非线性判别分析的分类识别正确率最高,右侧海马分类识别的正确率均高于左侧。两侧海马的纹理特征与MMSE评分均具有相关性且右侧海马的相关性系数均大于左侧。利用三维纹理特征的神经网络模型可分类识别AD组和NC组,并且采用右侧海马进行分类识别可能更有利于AD的诊断。     

中国简短嗅觉识别测试在早期阿尔茨海默病筛查中的应用

目的:用中国人群嗅觉识别测验(CSIT)作为工具，探讨早期阿尔茨海默病(AD)患者嗅觉障碍特征，并筛选出与AD疾病特异性相关的嗅觉识别测试。方法:从社区招募正常对照组(NC)135例，河北医科大学第一医院门诊入组轻度认知功能障碍组(MCI)85例和可疑AD组20例。所有受试者使用CSIT测定嗅觉识别功能，并完成成套的神经心理评估。本研究在CSIT基础上删减较少识别错误的气味构建简短嗅觉识别测试1(B-CSIT 1),在B-CSIT1基础上删减与年龄相关的气味构建简短嗅觉识别测试2(B-CSIT 2)。结果:MCI组和可疑AD组的CSIT平均正确选择数低于NC组(P<0.001)。CSIT评分与受教育程度、MMSE及MoCA评分呈正相关(r=0.22、0.54、0.57,均P<0.05),而与年龄存在负相关(r=-0.32,P<0.05)。通过不同受试者工作特征(ROC)曲线分析显示：CSIT和B-CSIT 1敏感度及特异度差异相当(敏感度、特异度均为68.6%、78.8%),但B-CSIT 2较CSIT和B-CSIT 1的特异度增加10%。结论:早期阿尔茨海默病患者存...     

基于功能磁共振图像转换在阿尔茨海默症分类中的应用

为了能识别阿尔茨海默症（AD）早期症状,提出一种改进的3DPCANet网络模型,并结合患者功能磁共振成像（fMRI）转换,对AD不同阶段患者进行分类。首先预处理患者的fMRI,并对预处理后的图像进行局部一致性（ReHo）图像转换;然后采用改进的3DPCANet模型对fMRI转换后的图像进行特征提取;最后使用支持向量机进行分类。实验结果显示,改进后的3DPCANet模型可以对fMRI转换后的图像提取有效的分类特征,其中,晚期轻度认知障碍与AD、主观记忆衰退与AD、主观记忆衰退与早期轻度认知障碍的分类准确率分别达到90.00%、88.89%、88.00%,验证了本方法的有效性和可行性。