基于多特征多关系图卷积神经网络的癫痫脑电分类

目的:提出一种基于多特征多关系图卷积神经网络的癫痫脑电分类方法,改进图卷积神经网络在癫痫脑电分类领域的应用,提升分类准确率。方法:分别提取癫痫脑电信号的1个频域特征、3个时频域特征和2个非线性动力学特征作为模型节点的特征。提取脑电通道之间的空间相似性和频谱相似性,融合两种通道相似性作为整体图节点之间的边关系矩阵。结果:在TUEP数据集上进行实验,准确率、精确率、召回率、F1分数、AUC结果分别为:0.87±0.02、0.91±0.04、0.82±0.04、0.86±0.02、0.90±0.03。结论:提出的模型与单特征和单关系的图卷积神经网络相比,对于癫痫脑电分类的提升效果明显。     

结合卷积神经网络与图卷积网络的乳腺癌病理图像分类研究

目的乳腺癌的精确诊断对于后续治疗具有重要临床意义,组织病理学分析是肿瘤诊断的金标准。卷积神经网络(convolution neural network,CNN)具有良好的局部特征提取能力,但无法有效捕捉细胞组织间的空间关系。为了有效利用这种空间关系,本文提出一种新的结合CNN与图卷积网络(graph convolution network,GCN)的病理图像分类框架,应用于乳腺癌病理图像的辅助诊断。方法首先对病理图像进行卷积及下采样得到一组特征图,然后将特征图上每个像素位置的特征向量表示为1个节点,构建具有空间结构的图,并通过GCN学习图中蕴含的空间结构特征。最后,将基于GCN的空间结构特征与基于CNN的全局特征融合,并同时对整个网络进行优化,实现基于融合特征的病理图像分类。结果本研究在提出框架下进行了3种GCN的比较,其中CNN-sGCN-fusion算法在2015生物成像挑战赛乳腺组织学数据集上获得93.53%±1.80%的准确率,在Databiox乳腺数据集上获得78.47%±5.33%的准确率。结论与传统基于CNN的病理图像分类算法相比,本文提出的结合CNN与GCN的算法有效融合了病理图像的全局特征与空间结构特征,从而提升了分类性能,具有潜在的应用可行性。     

基于功能磁共振成像的个体脑网络在阿尔兹海默症早期诊断中的应用

本研究利用功能磁共振成像(functional magnetic resonance imaging,fMRI)构建个体脑网络以期能够对阿尔兹海默症(Alzheimer′s disease, AD)不同病程阶段进行分类,为临床诊断早期AD提供一种辅助手段。首先构建有向脑网络,将体素葡萄糖代谢平均率和脑网络连接,增加节点的度作为被研究对象对应图像的特征。然后采用Wrapper式特征选择法分别验证三种特征在核主成分分析(kernel principal component analysis, KPCA)和Adaboost两种机器学习算法下诊断AD的性能,将特征融合后以同样的方法进行验证。最后,对比分析了两种预测模型在AD不同病程中的分类性能,用十折交叉验证评估预测性能。结果显示,就单特征识别能力而言,平均葡萄糖代谢率对于AD的分类性能贡献最大,在两种算法下分别达到了93.21%和92.89%的准确率,多特征融合的分类性能最佳,准确率达94%以上,AUC值为0.97。两种算法模型对AD不同分类组的预测能力都不错,虽略有差异,但相比而言,KPCA算法表现更好。本研究可为计算机辅助AD早期诊断、及时干预提供参考依据。     

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     

基于机器学习的阿尔兹海默症初期行为辨识方法

本研究基于机器学习的阿尔兹海默症初期行为辨识方法,及时发现患者大脑的早期病变,把握最佳治疗机会。从ADNI公共数据库获取阿尔兹海默症、轻度认知障碍以及正常对照组的结构性磁共振成像(sMRI)图像,将其通过Freesurfer软件执行图像平滑、分割、时间层校正等操作,转换为sMRI数据,使用内核局部Fisher判别分析算法提取sMRI数据特征,利用基于核支持向量机的数据分类算法,分类所提取sMRI数据特征,经十折交叉验证评估后,实现阿尔兹海默症初期行为的准确辨识。实验结果表明,该方法的灵敏度、特异性、准确率以及曲线下面积四个指标均保持最高,具有较优异的阿尔兹海默症初期行为辨识效果。该方法不仅能有效辨识患者与健康人,还能正确区分阿尔兹海默症和轻度认知障碍患者,辨识效果显著。     

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。     

基于广义卷积神经网络的阿尔茨海默病多模态磁共振图像分类方法研究

阿尔茨海默病（AD）是一种进行性、不可逆的神经系统退行性疾病,基于磁共振成像（MRI）的神经影像学检查是进行AD筛查与诊断最直观、可靠的方法之一。临床上头颅MRI检测会产生多模态影像数据,为解决多模态MRI处理与信息融合的问题,本文提出基于广义卷积神经网络（gCNN）的结构MRI和功能MRI特征提取与融合方法。该方法针对结构MRI提出基于混合注意力机制的三维残差U型网络（3D HA-ResUNet）进行特征表示与分类;针对功能MRI提出U型图卷积神经网络（U-GCN）进行脑功能网络的节点特征表示与分类。在两类影像特征融合的基础上,基于离散二进制粒子群优化算法筛选最优特征子集,并使用机器学习分类器输出预测结果。来自AD神经影像学计划（ADNI）开源数据库的多模态数据集验证结果表明,本文所提出的模型在各自数据域内都有优秀的表现,而gCNN框架结合了两类模型的优势,进一步提高使用单一模态MRI的方法性能,将分类准确率和敏感性分别提升了5.56%和11.11%。综上,本文所提出的基于gCNN的多模态MRI分类方法可以为AD的辅助诊断提供技术基础。     

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。     

基于极限学习机的阿尔兹海默病辅助诊断

阿尔兹海默病是一种渐进发展式的痴呆疾病, 其脑部随着病情发展逐渐出现萎缩。利用磁共振脑图像解剖学特征的变化, 提出一种使用极限学习机来诊断阿尔兹海默病以及轻度认知障碍的方法。采用FreeSurfer软件, 分析从ADNI数据库的818份磁共振图像中得到的脑部解剖学特征。首先对这些特征使用线性回归模型来估计正常衰老引起的萎缩因素, 并将其从特征中去除;随后采用极限学习机作为分类器, 使用处理后的特征来诊断阿尔兹海默病和轻度认知障碍。在实验过程中, 通过十折交叉验证来测试该方法的诊断准确率、敏感度、特异度和曲线下面积。通过100次实验求平均的方式计算得出, 该方法诊断阿尔兹海默病的准确率达到87.62%, 曲线下面积达到94.25%;诊断轻度认知障碍的准确率达到73.38%, 敏感度达到83.88%, 其中年龄矫正能有效提高轻度认知障碍诊断的准确率。实验结果表明, 该方法能有效诊断阿尔兹海默病和轻度认知障碍。     

Discriminant analysis of longitudinal cortical thickness changes in Alzheimer's disease using dynamic and network features

Neuroimage measures from magnetic resonance (MR) imaging, such as cortical thickness, have been playing an increasingly important role in searching for biomarkers of Alzheimer's disease (AD). Recent studies show that, AD, mild cognitive impairment (MCI) and normal control (NC) can be distinguished with relatively high accuracy using the baseline cortical thickness. With the increasing availability of large longitudinal datasets, it also becomes possible to study the longitudinal changes of cortical thickness and their correlation with the development of pathology in AD. In this study, the longitudinal cortical thickness changes of 152 subjects from 4 clinical groups (AD, NC, Progressive-MCI and Stable-MCI) selected from Alzheimer's Disease Neuroimaging Initiative (ADNI) are measured by our recently developed 4 D (spatial+temporal) thickness measuring algorithm. It is found that the 4 clinical groups demonstrate very similar spatial distribution of grey matter (GM) loss on cortex. To fully utilize the longitudinal information and better discriminate the subjects from 4 groups, especially between Stable-MCI and Progressive-MCI, 3 different categories of features are extracted for each subject, i.e., (1) static cortical thickness measures computed from the baseline and endline, (2) cortex thinning dynamics, such as the thinning speed (mm/year) and the thinning ratio (endline/baseline), and (3) network features computed from the brain network constructed based on the correlation between the longitudinal thickness changes of different regions of interest (ROIs). By combining the complementary information provided by features from the 3 categories, 2 classifiers are trained to diagnose AD and to predict the conversion to AD in MCI subjects, respectively. In the leave-one-out cross-validation, the proposed method can distinguish AD patients from NC at an accuracy of 96.1%, and can detect 81.7% (AUC = 0.875) of the MCI converters 6 months ahead of their conversions to AD. Also, by analyzing the brain network built via longitudinal cortical thickness changes, a significant decrease (p < 0.02) of the network clustering coefficient (associated with the development of AD pathology) is found in the Progressive-MCI group, which indicates the degenerated wiring efficiency of the brain network due to AD. More interestingly, the decreasing of network clustering coefficient of the olfactory cortex region was also found in the AD patients, which suggests olfactory dysfunction. Although the smell identification test is not performed in ADNI, this finding is consistent with other AD-related olfactory studies.     

基于特征融合神经网络的运动想象脑电分类算法

运动想象-脑机接口（MI-BCI）技术为运动障碍患者提供了一种新的与外界交流的能力。应用卷积神经网络（CNN）处理运动想象（MI）脑电分类问题时,多提取最后卷积层的特征,忽视了中间层大量可用信息,导致MI-BCI的分类性能较差。针对这一问题,提出模型内层融合（WMFF）和模型间层融合（CMFF）两种特征融合策略。WMFF策略提取CNN每一层特征进行融合;CMFF策略融合CNN和长短时记忆网络并提取每一层特征。本研究用BCI竞赛IV Datasets 2a数据集对所提方法进行验证,WMFF和CMFF MI脑电信号四分类平均正确率分别达到76.19%和80.46%。结果表明,所提方法可有效提高MI脑电信号分类正确率,为MI脑电信号分类提供了新的思路。     

基于典型相关分析与双模态数据融合的抑郁症辅助诊断

为了充分提取抑郁症患者的磁共振影像信息,提高抑郁症的诊断准确率,本研究将功能磁共振图像与结构磁共振图像作为研究对象,提出一种双模态数据融合的抑郁症分类算法。首先构建4种不同尺度的功能脑网络,提取功能磁共振图像的数据特征,然后使用迁移学习处理的三维密集连接卷积神经网络,提取结构磁共振图像的数据特征,接着使用典型相关分析方法融合两种特征,最后使用支持向量机对融合特征进行分类,从而将受试者识别为健康者或抑郁症患者。实验结果表明,本文提出的方法可获得89.56%的分类准确率与95.48%的召回率,与单模态数据分类相比,基于双模态数据的分类方法具有更好的分类性能。此外,典型相关分析法可以有效融合双模态的图像特征。     

基于CNN和频率切片小波变换的T波形态分类

心电实时监控是心血管疾病防治的重要手段。心电图中T波的变化是心肌缺血和心脏猝死等疾病的重要表征,T波形态自动识别是心电远程监控中一个重要问题。由于实时监护用心电的强噪声背景影响,传统的T波特征提取与分类算法遭遇瓶颈。提出一种结合切片频率小波变换和卷积神经网络的T波形态识别算法,包括:自动定位R波波峰位置与T波终点位置,从而确定一个包含有T波的片段;对该片段做频率切片小波变换,将生成的时频图像输入卷积神经网络,完成T波的形态分类。频率切片小波变换将信号转换到时频域上,呈现心电信号的时频能量分布特征;卷积神经网络的隐含层通过对时频图像进行3次卷积、激活与池化,完成时频图像的3次特征提取,这些特征具有平移、缩放不变性。使用欧盟ST-T数据库中的12 830个片段,采用3折交叉验证法来训练和测试卷积神经网络模型,最终使基于心拍的分类准确率达到97.34%,F1测度达到96.97%;基于样本实验的分类准确率为84.80%,F1测度为83.30%。模型在QT数据库测试的分类准确率为87.83%,F1测度为85.38%,泛化性能良好。对比其他T波分类算法(如决策树、支持向量机等),基于心拍实验的分类准确率提高1%～5%。研究结果证明,针对6类形态T波进行分类设计的算法不仅在分类准确率上有所提升,在鲁棒性和泛化性能方面也表现良好。另外,算法模型也适用于其他多种生理信号的分析,在医学图像分析领域也有一定的指导意义。     

基于注意力机制的生物医学文本分类模型

对生物医学文本进行准确分类，是促进医院信息化发展的一个重要途径。本研究提出一种基于注意力机制的双层次文本分类模型，用于对生物医学文本进行有效分类。该模型结合卷积神经网络与循环神经网络的优势，对用户输入的疾病文本进行特征提取。首先，在第一层次通过Bi-GRU通道与Bi-LSTM通道提取文本中的上下文关联信息，同时，为增强模型的特征提取能力，在该层次引入注意力机制。其次，将两个通道提取到的时序特征进行特征拼接，并将拼接后的结果传入第二层次，从而进一步提取文本的局部特征，最后利用分类器输出最终的分类结果。对生物医学文本进行分类性能评估，结果表明，与基线模型相比，该模型的分类准确率可达91.45%，具有显著的分类性能。     

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。     

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。