人腦是自然界中最復(fù)雜的系統(tǒng)之一,是由數(shù)以億計(jì)的神經(jīng)元所構(gòu)成的復(fù)雜而龐大的網(wǎng)絡(luò),是進(jìn)行信息處理和認(rèn)知表達(dá)的生理基礎(chǔ)。近年來,復(fù)雜網(wǎng)絡(luò)理論被引入腦科學(xué)研究中,研究者將其表示為一個(gè)圖,使用復(fù)雜網(wǎng)絡(luò)和圖論的知識(shí)從不同角度分析腦網(wǎng)絡(luò),并取得了長(zhǎng)足發(fā)展,為人腦的研究提供新的方法和手段。但是,在腦網(wǎng)絡(luò)的構(gòu)建和分析中仍存在一些關(guān)鍵問題需要解決。首先目前基于閾值的腦網(wǎng)絡(luò)構(gòu)建方法受閾值選擇的影響,使得網(wǎng)絡(luò)的可比性下降,同時(shí)也使得分析結(jié)果出現(xiàn)不一致;其次,如何挖掘到最優(yōu)的屬性和結(jié)構(gòu)特征識(shí)別腦網(wǎng)絡(luò),如何較準(zhǔn)確的計(jì)算腦網(wǎng)絡(luò)的相似度用于腦網(wǎng)絡(luò)之間的聚類也是急需解決的問題。本文基于復(fù)雜網(wǎng)絡(luò)理論和圖論知識(shí),探討腦網(wǎng)絡(luò)節(jié)點(diǎn)中心性的評(píng)價(jià)方法;針對(duì)閾值網(wǎng)絡(luò)帶來的分析結(jié)果偏差,探討無偏腦網(wǎng)絡(luò)的構(gòu)建方法;在此基礎(chǔ)上對(duì)復(fù)雜網(wǎng)絡(luò)指標(biāo)進(jìn)行組間比較,以期發(fā)現(xiàn)疾病狀態(tài)下腦網(wǎng)絡(luò)各指標(biāo)的變化規(guī)律,構(gòu)建分類模型;此外,從社團(tuán)結(jié)構(gòu)的角度,分析組間存在的差異,并在此基礎(chǔ)上測(cè)量腦網(wǎng)絡(luò)之間的相似度,使用無監(jiān)督學(xué)習(xí)方法,構(gòu)建聚類模型。最后,將上述方法應(yīng)用到阿爾茨海默癥,分析阿爾茨海默癥患者與正常對(duì)照組腦網(wǎng)絡(luò)之間的差異,挖掘阿爾茨海默癥診斷的影像學(xué)指標(biāo)輔助臨床診斷。本文主要?jiǎng)?chuàng)新工作包括:(1)提出一種基于度和k-core的節(jié)點(diǎn)中心性測(cè)量方法并用于閾值腦網(wǎng)絡(luò)的分類復(fù)雜網(wǎng)絡(luò)理論中,提供了許多節(jié)點(diǎn)中心性測(cè)量方法,但是這些方法從各自不同的,單一的角度來衡量節(jié)點(diǎn)中心性。研究發(fā)現(xiàn),單一的測(cè)量方法不能準(zhǔn)確的測(cè)量節(jié)點(diǎn)中心性。針對(duì)這個(gè)問題,本文提出將度和k-core中心性相結(jié)合用于測(cè)量腦網(wǎng)絡(luò)的節(jié)點(diǎn)中心性,隨后在閾值腦網(wǎng)絡(luò)中計(jì)算每個(gè)節(jié)點(diǎn)的中心性,以中心性為特征,對(duì)阿爾茨海默癥患者與正常對(duì)照組閾值腦網(wǎng)絡(luò)進(jìn)行分類。(2)提出無偏腦網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)差異性分析方法,并構(gòu)建分類模型為了避免傳統(tǒng)閾值網(wǎng)絡(luò)中閾值選擇對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的影響,本文引入最小生成樹偏差校正方法構(gòu)建了無偏腦網(wǎng)絡(luò),在此基礎(chǔ)上分析網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)存在的差異,利用核主成分分析方法捕獲差異并構(gòu)建阿爾茨海默癥分類模型。(3)提出局部屬性和拓?fù)浣Y(jié)構(gòu)特征相結(jié)合的無偏腦網(wǎng)絡(luò)分類模型腦網(wǎng)絡(luò)在屬性和結(jié)構(gòu)兩種特征上均表現(xiàn)出顯著的差異性,不同的特征提供不同的信息,考慮到多種特征可能反映了多種互補(bǔ)信息,因此,本文在無偏腦網(wǎng)絡(luò)的基礎(chǔ)上,提取其在局部屬性和拓?fù)浣Y(jié)構(gòu)兩方面的特征,利用合成核將兩種不同的特征進(jìn)行融合,并構(gòu)建阿爾茨海默癥分類模型。(4)提出一種腦網(wǎng)絡(luò)相似性度量方法并構(gòu)建聚類模型當(dāng)訓(xùn)練數(shù)據(jù)被賦予正確的標(biāo)簽并且選擇了最優(yōu)特征時(shí),分類性能通常很好。但是從大量的數(shù)據(jù)中提取和選擇最優(yōu)的特征是很費(fèi)時(shí)的。此外,訓(xùn)練數(shù)據(jù)的標(biāo)簽主要依賴于臨床醫(yī)生的診斷,因此,臨床醫(yī)生將花費(fèi)大量的時(shí)間和精力來標(biāo)記數(shù)據(jù)。為了減少標(biāo)記數(shù)據(jù)的工作量,本文提出一種利用余弦相似度和子網(wǎng)絡(luò)核來度量腦網(wǎng)絡(luò)相似度的方法,并使用譜聚類構(gòu)建腦網(wǎng)絡(luò)聚類模型識(shí)別阿爾茨海默癥患者。
【學(xué)位單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2019
【中圖分類】：O157.5;R749.16
【部分圖文】：

= [ g1 g]使用 Weisfeiler-Lehman(WL)子樹核函數(shù)，計(jì)算核矩陣 K；計(jì)算核矩陣 K 的特征值 1， 2， ， 和特征向量ν1，ν2， ，確定 m，使圖特征信息的覆蓋率達(dá)到 90%以上。確定方法為求特1，2， ， ；當(dāng) ≥ 90%，則選取 m 個(gè)主成分α1，α2， 估 m 不同取值對(duì)分類性能的影響，我們?cè)?m 取 7 個(gè)不同的值（分12，14）時(shí)，執(zhí)行 MCI 分類任務(wù)，其分類結(jié)果如圖 3-2 所示。該=7 或 8，MCI 和 NC 的分類精度最高。此時(shí)，m 正好滿足公式∑ i 1是網(wǎng)絡(luò)數(shù))。因此，在核主成分分析中，我們選用特征值較大的前 m 滿足公式∑ i 10 9 ∑ ni 1(n 是網(wǎng)絡(luò)數(shù))時(shí)，特征將包含

太原理工大學(xué)博士研究生學(xué)位論文繁子圖（支持度設(shè)置為 0.7）。圖 3-3 描述了 MCI、AD 和 NC 的頻繁子征選擇中，首先計(jì)算頻繁子圖的頻率差，表 3-5、表 3-6 和表 3-7 分C 組、MCI 與 NC 組以及 MCI 與 AD 組頻繁子圖的頻率差，并且選擇子圖作為判別性子圖，表中判別子圖粗體顯示。圖 3-4、圖 3-5 和圖 3C 組、MCI 與 NC 組以及 MCI 與 AD 組的最具判別性的腦區(qū)。

AD與NC組顯著性差異腦區(qū)Fig.3-4BrainregionswithsignificantdifferencebetweenADandNC
【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 趙彬;商秀麗;何志義;范國(guó)光;劉虎;;阿爾茨海默病的靜息態(tài)功能磁共振成像低頻振幅研究[J];中國(guó)醫(yī)科大學(xué)學(xué)報(bào);2012年04期

2 梁夏;王金輝;賀永;;人腦連接組研究:腦結(jié)構(gòu)網(wǎng)絡(luò)和腦功能網(wǎng)絡(luò)[J];科學(xué)通報(bào);2010年16期

本文編號(hào)：2862357