【摘要】：阿爾茲海默病(Alzheimer's Disease,AD)是一種神經(jīng)退行性的疾病且目前無(wú)法治愈。對(duì)AD疾病的計(jì)算機(jī)輔助診斷框架,有助于幫助醫(yī)師根據(jù)神經(jīng)影像及病人信息作出正確的分析和決策。本論文工作基于機(jī)器學(xué)習(xí)方法進(jìn)行特征工程和疾病建模研究。其中,早期分類、病例檢索及評(píng)分預(yù)測(cè)三種不同任務(wù)的結(jié)果都能作為重要的計(jì)算機(jī)輔助診斷參考,提高診斷性能。(1)為了對(duì)AD及其早期階段——輕度認(rèn)知障礙(Mild Cognitive Impairment,MCI)進(jìn)行更準(zhǔn)確的診斷,本論文利用了多模態(tài)影像數(shù)據(jù)并分析了模態(tài)間特征關(guān)系,用于增強(qiáng)與AD/MCI相關(guān)特征的表達(dá)能力。首先,基于典型相關(guān)分析融合不同模態(tài)間多個(gè)特征并生成多模態(tài)關(guān)系特征表達(dá);其次,基于稀疏最小二乘回歸損失函數(shù),選擇穩(wěn)定且有判別力的相關(guān)性表達(dá)特征;最后,隨機(jī)抽取訓(xùn)練樣本用于訓(xùn)練支持向量機(jī)分類模型,再用剩余樣本作為測(cè)試集驗(yàn)證得到分類準(zhǔn)確率。結(jié)果表明該方法挖掘多維特征間的關(guān)系,能有效應(yīng)用于增強(qiáng)多模態(tài)數(shù)據(jù)信息。(2)醫(yī)學(xué)數(shù)據(jù)檢索已經(jīng)廣泛地運(yùn)用于計(jì)算機(jī)輔助診斷,檢索得到的同類受試者就可以為查詢樣本的診斷決策和制定高效治療方案提供優(yōu)先參考。為了研究從多源數(shù)據(jù)中檢索阿爾茲海默病的同類病例,本論文提出自適應(yīng)集成流形學(xué)習(xí)方法。該方法通過(guò)流形學(xué)習(xí)加強(qiáng)幾何約束以學(xué)習(xí)同類受試者的相似性。不同源數(shù)據(jù)的加權(quán)集成有利于不同源的特性表達(dá)和信息互補(bǔ)。此外,廣義范數(shù)明確探討了自適應(yīng)控制的稀疏度。實(shí)驗(yàn)結(jié)果表明,該方法能結(jié)合多源信息加強(qiáng)聚合同類受試者且適應(yīng)于多種檢索任務(wù)。(3)多時(shí)間點(diǎn)的評(píng)分預(yù)測(cè)可以提供預(yù)測(cè)類型的可信參考評(píng)分,幫助預(yù)估AD疾病發(fā)展進(jìn)程。本論文還建立了阿爾茲海默病多時(shí)間點(diǎn)缺失回訪數(shù)據(jù)的補(bǔ)全預(yù)測(cè)框架。本方法首先基于低秩方法利用已有數(shù)據(jù)矩陣信息計(jì)算出不同時(shí)間點(diǎn)其他受試者的缺失數(shù)據(jù),然后根據(jù)已補(bǔ)全的完整數(shù)據(jù)集,建立阿爾茲海默病疾病判斷和發(fā)展預(yù)測(cè)模型。我們使用擅長(zhǎng)處理時(shí)間序列的循環(huán)神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練任務(wù),并預(yù)測(cè)相應(yīng)的臨床量表評(píng)分分?jǐn)?shù),以輔助醫(yī)師對(duì)患者病情作出預(yù)判。綜上所述,本論文以計(jì)算機(jī)輔助診斷阿爾茲海默病為研究目的,基于機(jī)器學(xué)習(xí)方法分別以分類、檢索和預(yù)測(cè)作為三大主要任務(wù)展開(kāi)研究,研究?jī)?nèi)容包括特征工程和分類回歸模型用于分析診斷過(guò)程中幾個(gè)最關(guān)鍵、最困難的問(wèn)題,以異源異構(gòu)數(shù)據(jù)和多時(shí)間點(diǎn)發(fā)展為主線,并用公共數(shù)據(jù)庫(kù)進(jìn)行大量的實(shí)驗(yàn),結(jié)果論證了本論文所提出方法的可行性和有效性。同時(shí)本論文所提及的理論、模型及算法對(duì)其他癡呆類型或神經(jīng)性疾病的輔助診斷和應(yīng)用也有指導(dǎo)和借鑒意義。
【圖文】：

邐基于機(jī)器學(xué)習(xí)的阿爾茲海默病自動(dòng)診斷、檢索及預(yù)測(cè)的研究小二乘損失函數(shù)以增強(qiáng)特征選擇，學(xué)習(xí)得到的權(quán)重參數(shù)選取權(quán)重大的特征，如此不僅獲得判別力較大的特征以減少噪聲特征的干擾，，同時(shí)也能降低數(shù)據(jù)維度加速訓(xùn)練過(guò)實(shí)驗(yàn)基于ＡＤ邋ｖｓ．邋ＮＣ，ＭＣＩ邋ｖｓ．邋ＳＣ和ｐ－ＭＣＩ邋ｖｓ．邋Ｓ－ＭＣＩ三種類型數(shù)據(jù)，最終將已選擇特征數(shù)據(jù)輸入ＳＶＭ建立起相應(yīng)的分類模型，從而進(jìn)行ＡＤ／ＭＣＩ疾病區(qū)分。逡逑

２．４討論逡逑結(jié)果分析：ＣＣＡ是＾個(gè)功能強(qiáng)大的統(tǒng)計(jì)學(xué)方法，能夠分析兩組多變量之間的關(guān)系并逡逑找到最佳線性映射來(lái)表達(dá)兩組變量的最大互相關(guān)表達(dá)。木研宄基于ＣＣＡ計(jì)算兩組來(lái)自不逡逑同模態(tài)的特征組之間的相關(guān)性表達(dá)，并將其應(yīng)用于選擇對(duì)ＡＤ／ＭＣＩ敏感的特征并構(gòu)建ＳＶＭ逡逑分類模型，實(shí)現(xiàn)自動(dòng)分類和診斷的目的。在分類實(shí)驗(yàn)中，加入了典型相關(guān)特征表達(dá)的方逡逑法與其它類型方法相比，在準(zhǔn)確率上獲得了最佳，這是因?yàn)椋茫茫聊軌蚍治鰞山M變量的關(guān)逡逑系從而協(xié)同互補(bǔ)不同模態(tài)的相應(yīng)感興趣區(qū)域信息，增強(qiáng)了有效特征的表達(dá)力［４９］。ＣＣＡ逡逑相當(dāng)于先對(duì)原各組變量進(jìn)行主成分分析以獲得組內(nèi)線性關(guān)系，再通過(guò)兩者之間的相關(guān)系逡逑數(shù)來(lái)表達(dá)組間變量關(guān)系。因此，相較于只對(duì)全部變f垼ǎ停遙珊停校牛蘊(yùn)卣鰨┳鐾環(huán)治齙膩義希校茫練椒ê筒豢悸悄Ｌ湎喙毓叵檔奶卣餮≡瘢蹋粒櫻櫻戲椒ɡ此擔(dān)茫茫糧兄誆蹲膠蛻稿義涎〕瞿芄桓ㄖ鋃系奶卣鰲Ｏ啾韌槍叵搗治齙模校澹幔潁螅錚釹喙胤治齜椒ǎ茫茫獵冢粒膩澹觶螅義希擼保煤停穡停茫懾澹觶螅澹螅停�？樝的窋S嘧既仿視薪擔(dān)サ奶嶸饈且蛭校澹幔潁螅錚罹窒抻詡虻ュ義�，ＣＣＡ。�

本文編號(hào)：2629618