本文關(guān)鍵詞：基于SVM和結(jié)構(gòu)性MRI數(shù)據(jù)的AD病程分類(lèi)研究

  更多相關(guān)文章： 支持向量機(jī) 阿爾茨海默病 輕度認(rèn)知功能障礙 核磁共振成像 分類(lèi)預(yù)測(cè)

【摘要】：目的:用支持向量機(jī)(Support vector machines,SVM)模型方法基于結(jié)構(gòu)性腦核磁共振成像(Magnetic resonance imaging,MRI)影像學(xué)數(shù)據(jù),對(duì)阿爾茨海默病(Alzheimer’s Disease,AD)的不同疾病進(jìn)程進(jìn)行分類(lèi)預(yù)測(cè)研究,幫助疾病的輔助診斷。方法:從阿爾茨海默病神經(jīng)影像數(shù)據(jù)庫(kù)(Alzheimer’s Disease Neuroimaging Initiative,ADNI)隨機(jī)選擇543例研究對(duì)象:認(rèn)知功能正常組139人,早期輕度認(rèn)知障礙組220人,晚期輕度認(rèn)知障礙組108人和阿爾茨海默病組76人。收集每個(gè)研究對(duì)象的272項(xiàng)MRI數(shù)據(jù)(49項(xiàng)腦區(qū)的皮質(zhì)下體積、69項(xiàng)皮質(zhì)體積、68項(xiàng)皮質(zhì)厚度、70項(xiàng)表面積及16項(xiàng)海馬結(jié)構(gòu)亞區(qū)體積)、簡(jiǎn)易精神狀態(tài)檢查(Mini Mental State Examination,MMSE)量表評(píng)分結(jié)果、年齡、性別和受教育程度等研究指標(biāo)。采用方差分析,非參數(shù)檢驗(yàn)和相關(guān)性分析的統(tǒng)計(jì)學(xué)方法進(jìn)行數(shù)據(jù)預(yù)處理。然后將提取的特征參數(shù)輸入SVM模型,隨機(jī)劃分訓(xùn)練集和測(cè)試集樣本,并用訓(xùn)練集樣本訓(xùn)練分類(lèi)器模型,測(cè)試集樣本進(jìn)行測(cè)試,從而實(shí)現(xiàn)AD病程的分類(lèi)預(yù)測(cè)。結(jié)果:300例樣本訓(xùn)練集,243例測(cè)試集樣本的不同指標(biāo)分類(lèi)預(yù)測(cè)準(zhǔn)確率:276項(xiàng)指標(biāo)的訓(xùn)練集預(yù)測(cè)準(zhǔn)確率為78.07%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為46.91%;54項(xiàng)指標(biāo)訓(xùn)練集樣本預(yù)測(cè)結(jié)果為100%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為99.17%;8項(xiàng)指標(biāo)訓(xùn)練集樣本預(yù)測(cè)結(jié)果為100%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為64.19%;135項(xiàng)指標(biāo)訓(xùn)練集樣本預(yù)測(cè)結(jié)果為100%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為56.37%;45項(xiàng)指標(biāo)訓(xùn)練集樣本預(yù)測(cè)結(jié)果為100%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為77.77%;25項(xiàng)指標(biāo)訓(xùn)練集樣本預(yù)測(cè)結(jié)果為100%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為61.31%。400例樣本訓(xùn)練集,276項(xiàng)指標(biāo)的訓(xùn)練集預(yù)測(cè)準(zhǔn)確率為88.50%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為50.34%;54項(xiàng)指標(biāo)訓(xùn)練集樣本預(yù)測(cè)結(jié)果為100%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為99.30%。488例項(xiàng)樣本訓(xùn)練集,276項(xiàng)指標(biāo)的訓(xùn)練集預(yù)測(cè)準(zhǔn)確率為78.07%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為54.54%;54項(xiàng)指標(biāo)訓(xùn)練集樣本預(yù)測(cè)結(jié)果為100%,測(cè)試集樣本預(yù)測(cè)準(zhǔn)確率為100%。結(jié)論:本研究提取的MRI數(shù)據(jù)結(jié)合構(gòu)建的SVM模型獲得較為精確的分類(lèi)預(yù)測(cè)結(jié)果。方差分析提取指標(biāo)的分類(lèi)預(yù)測(cè)準(zhǔn)確率最好。根據(jù)預(yù)測(cè)結(jié)果可以確定與疾病相關(guān)的數(shù)據(jù)特征,為臨床和基礎(chǔ)研究、探討病因和病理改變提供依據(jù)。增加縱向樣本還可實(shí)現(xiàn)MCI向AD轉(zhuǎn)化率的預(yù)測(cè)。
【關(guān)鍵詞】：支持向量機(jī) 阿爾茨海默病 輕度認(rèn)知功能障礙 核磁共振成像 分類(lèi)預(yù)測(cè)
【學(xué)位授予單位】：山西醫(yī)科大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：R749.16;R445.2
【目錄】：

• 中文摘要6-8
• 英文摘要8-10
• 常用縮寫(xiě)詞中英文對(duì)照表10-11
• 前言11-13
• 1 研究對(duì)象的選取13-15
• 1.1 研究對(duì)象13
• 1.2 數(shù)據(jù)庫(kù)13
• 1.3 一般資料13-15
• 2 數(shù)據(jù)預(yù)處理15-23
• 2.1 MRI檢測(cè)及數(shù)據(jù)預(yù)處理方法15-21
• 2.2 認(rèn)知心理學(xué)量表評(píng)分分析21
• 2.3 特征的提取21-23
• 3 數(shù)據(jù)預(yù)處理結(jié)果23-41
• 3.1 單因素方差分析結(jié)果23-29
• 3.2 非參數(shù)檢驗(yàn)結(jié)果29-39
• 3.3 相關(guān)性分析結(jié)果39-41
• 4 模型方法41-52
• 4.1 SVM模型算法41-43
• 4.2 SVM模型的分類(lèi)預(yù)測(cè)43-44
• 4.3 SVM模型分類(lèi)預(yù)測(cè)結(jié)果44-52
• 5 討論52-58
• 5.1 數(shù)據(jù)預(yù)處理52-54
• 5.2 SVM分類(lèi)預(yù)測(cè)模型54-55
• 5.3 提取的特征與AD55-58
• 6 結(jié)論58-59
• 參考文獻(xiàn)59-63
• 綜述63-77
• 參考文獻(xiàn)70-77
• 致謝77-78
• 在學(xué)期間承擔(dān)/參與的科研課題與研究成果78-79
• 個(gè)人簡(jiǎn)歷79

【相似文獻(xiàn)】

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前4條

1 王步華;李同;金翼;趙宏雷;;淺談提高負(fù)荷預(yù)測(cè)準(zhǔn)確率的方法與措施[A];2007中國(guó)電機(jī)工程學(xué)會(huì)電力系統(tǒng)自動(dòng)化專(zhuān)委會(huì)供用電管理自動(dòng)化學(xué)科組（分專(zhuān)委會(huì)）二屆三次會(huì)議論文集[C];2007年

2 徐斌;;消除小氣候?qū)︼L(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)系統(tǒng)預(yù)測(cè)準(zhǔn)確率的影響[A];中國(guó)風(fēng)電生產(chǎn)運(yùn)營(yíng)管理(2013)[C];2013年

3 趙巖;張新平;劉錦英;鄭凱;;“移動(dòng)平均法”提高日負(fù)荷預(yù)測(cè)準(zhǔn)確率在地區(qū)電網(wǎng)中的應(yīng)用[A];山東電機(jī)工程學(xué)會(huì)第五屆供電專(zhuān)業(yè)學(xué)術(shù)交流會(huì)論文集[C];2008年

4 李西泉;陳偉;朱軍飛;;提高湖南電網(wǎng)短期負(fù)荷預(yù)測(cè)準(zhǔn)確率的分析與思考[A];中南七省（區(qū)）電力系統(tǒng)專(zhuān)業(yè)委員會(huì)第二十二屆聯(lián)合學(xué)術(shù)年會(huì)論文集[C];2007年

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前10條

1 本報(bào)記者 郭起豪 通訊員 王超 陽(yáng)揣環(huán);提高預(yù)報(bào)準(zhǔn)確率關(guān)鍵是什么?[N];中國(guó)氣象報(bào);2008年

2 記者 嚴(yán)志亮　通訊員 施戰(zhàn)遼;金華電業(yè)局負(fù)荷預(yù)測(cè)準(zhǔn)確率連續(xù)十年全省第一[N];金華日?qǐng)?bào);2011年

3 通訊員 施戰(zhàn)遼　樓玲俊;金華電業(yè)局負(fù)荷預(yù)測(cè)準(zhǔn)確率連續(xù)十年浙江第一[N];科技日?qǐng)?bào);2011年

4 程玲　王希波;提高負(fù)荷預(yù)測(cè)準(zhǔn)確率[N];國(guó)家電網(wǎng)報(bào);2010年

5 本報(bào)記者　 潘建梁;4月份研究員業(yè)績(jī)預(yù)測(cè)準(zhǔn)確率排名火熱出爐[N];上海證券報(bào);2006年

6 李曄;我國(guó)短期氣候預(yù)測(cè)準(zhǔn)確率提高[N];大眾科技報(bào);2004年

7 本報(bào)評(píng)論員;穩(wěn)扎穩(wěn)打 切實(shí)提高預(yù)報(bào)預(yù)測(cè)準(zhǔn)確率[N];中國(guó)氣象報(bào);2008年

8 通訊員 劉國(guó)萍;昆明市局與云南大學(xué)開(kāi)展全方位合作[N];中國(guó)氣象報(bào);2014年

9 ;開(kāi)拓奮進(jìn) 再創(chuàng)輝煌[N];中國(guó)氣象報(bào);2003年

10 記者賈西平、劉毅;氣象部門(mén)為建設(shè)小康提供優(yōu)質(zhì)服務(wù)[N];人民日?qǐng)?bào);2003年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 楊亞超;基于SVM和結(jié)構(gòu)性MRI數(shù)據(jù)的AD病程分類(lèi)研究[D];山西醫(yī)科大學(xué);2016年

2 翟祥志;“機(jī)理＋辨識(shí)”策略中電力負(fù)荷預(yù)測(cè)準(zhǔn)確率的上限估計(jì)[D];天津大學(xué);2008年

3 魏瑋;錯(cuò)誤預(yù)測(cè)有用嗎？—信息偏差對(duì)消費(fèi)者決策制定的影響研究[D];清華大學(xué);2012年

  本文關(guān)鍵詞：基于SVM和結(jié)構(gòu)性MRI數(shù)據(jù)的AD病程分類(lèi)研究

  更多相關(guān)文章： 支持向量機(jī) 阿爾茨海默病 輕度認(rèn)知功能障礙 核磁共振成像 分類(lèi)預(yù)測(cè)

，

本文編號(hào)：511334