本文關鍵詞：基于腦MR影像不對稱性特征的癡呆癥早期診斷方法研究

  更多相關文章： 阿爾茲海默病 血管性癡呆 磁共振成像 鏈式智能體遺傳算法 支持向量機

【摘要】：癡呆是指慢性獲得性進行性智能障礙綜合征,防治的關鍵是早期無創(chuàng)檢測并干預。阿爾茲海默病(Alzheimer's disease,AD)和血管性癡呆(Vascular dementia,VD)是最常見的癡呆類型,輕度認知障礙(Mild cognitive impairment,MCI)和血管性認知障礙(Vascular cognitive impairment,VCI)是介于正常老齡化到AD和VD之間的過渡狀態(tài),會以一定概率轉化為癡呆。在癡呆癥的病變過程中,大腦的不對稱性會發(fā)生改變。因此,探索一種基于大腦不對稱性的癡呆癥早期診斷方法,對于癡呆癥的干預十分重要。磁共振成像技術(Magnetic Resonance Imaging,MRI)能定量地反映大腦不同組織在結構和功能上的變化、表征代謝物濃度,并具有無創(chuàng)、空間分辨率高、無輻射等優(yōu)勢,已廣泛應用于AD早期診斷。本文提取了多種腦MR影像的不對稱特征,設計了基于機器學習的封裝式特征學習分類集成模型,對提取的不對稱特征進行特征學習和分類診斷,以獲取更高更穩(wěn)定的癡呆癥分類診斷準確率,為基于MR影像不對稱特征的癡呆早期診斷提供思路。論文的主要工作如下:提出了用于AD和VD早期診斷的封裝式特征選擇分類模型,通過鏈式智能體遺傳算法進行全局特征選擇,以支持向量機分類準確率作為鏈式智能體遺傳算法的適應度值,選擇最優(yōu)特征子集,以降低特征維度,提升分類準確率。對于AD,測試了單個及少量不對稱特征的分類能力,以及優(yōu)良特征的分布。通過對特征選擇前后的特征分類能力進行對比,驗證了封裝式特征選擇分類模型的有效性。分析了正常老齡化到MCI到AD轉化的過程中,對分類意義較為明顯的區(qū)域及特征。對于VD,實現(xiàn)了封裝式特征加權分類模型,通過鏈式智能體遺傳算法進行全局特征權重搜索,以支持向量機分類準確率作為鏈式智能體遺傳算法的適應度值,得到特征集的最優(yōu)權值組合及其分類診斷準確率,并與特征選擇的結果進行比較。本文基于機器學習的方法研究了腦MR影像不對稱特征在AD和VD診斷中的應用,實現(xiàn)了高準確率的分類算法,并研究了不對稱特征在其中的作用,深入了解其機理,為提供AD和VD的早期診斷提供新的研究思路和方法參考,為推動相關研究的臨床化和實用化發(fā)展提供了一定的理論基礎和方法依據(jù)。
【關鍵詞】：阿爾茲海默病 血管性癡呆 磁共振成像 鏈式智能體遺傳算法 支持向量機
【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R749.1;TP18
【目錄】：

• 中文摘要3-4
• 英文摘要4-8
• 1 緒論8-12
• 1.1 引言8-9
• 1.2 國內外研究現(xiàn)狀9-10
• 1.3 本文的主要內容10-11
• 1.4 本文文章結構11-12
• 2 基于醫(yī)學影像的疾病診斷基本原理12-19
• 2.1 基于醫(yī)學影像的疾病診斷流程12-13
• 2.2 醫(yī)學影像預處理13
• 2.3 醫(yī)學影像特征提取13-15
• 2.4 特征約簡方法15-16
• 2.5 分類識別算法16-18
• 2.6 本章小結18-19
• 3 基于腦MR影像不對稱性特征的阿爾茲海默病早期診斷19-41
• 3.1 阿爾茲海默病磁共振影像預處理19-21
• 3.2 阿爾茲海默病磁共振影像不對稱特征提取21-24
• 3.3 阿爾茲海默病磁共振影像不對稱特征選擇24-28
• 3.4 基于SVM的阿爾茲海默病分類識別28-36
• 3.4.1 實驗條件28-29
• 3.4.2 分類識別結果29-32
• 3.4.3 ROC曲線32-33
• 3.4.4 特征選擇前后分類識別結果比較33
• 3.4.5 與其他算法性能比較33-35
• 3.4.6 與基于假設檢驗的選擇分類結果比較35-36
• 3.5 不對稱性特征分類能力及其分布分析36-40
• 3.5.1 不對稱性特征分類能力分析36-38
• 3.5.2 不對稱性特征的分布38-39
• 3.5.3 少量特征的分類能力分析39-40
• 3.6 本章小結40-41
• 4 基于腦MR影像不對稱性特征的血管性癡呆早期診斷41-58
• 4.1 血管性癡呆磁共振影像不對稱特征學習41-44
• 4.1.1 血管性癡呆影像不對稱特征選擇42-43
• 4.1.2 血管性癡呆影像不對稱特征加權43-44
• 4.2 分類識別結果44-51
• 4.2.1 實驗條件44-48
• 4.2.2 特征選擇分類識別結果48-49
• 4.2.3 特征加權分類識別結果49-50
• 4.2.4 與基于假設檢驗的選擇分類結果比較50-51
• 4.3 特征不對稱性分析51-57
• 4.3.1 特征選擇不對稱性分析51-54
• 4.3.2 特征加權不對稱性分析54-57
• 4.4 本章小結57-58
• 5 總結與展望58-60
• 5.1 論文總結58-59
• 5.2 未來工作展望59-60
• 致謝60-61
• 參考文獻61-65
• 附錄65-66
• A. 作者在攻讀學位期間取得的科研成果65
• B. 作者在攻讀學位期間參與的科研項目65-66

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 何蘭;范繼紅;;基因芯片數(shù)據(jù)特征選擇法研究[J];醫(yī)學信息學雜志;2012年10期

2 吳紅霞;吳悅;劉宗田;雷州;;基于Relief和SVM-RFE的組合式SNP特征選擇[J];計算機應用研究;2012年06期

3 邵歡;李國正;劉國萍;王憶勤;;多標記中醫(yī)問診數(shù)據(jù)的癥狀選擇[J];中國科學:信息科學;2011年11期

4 楊立才;李金亮;姚玉翠;吳曉晴;;基于F-score特征選擇和支持向量機的P300識別算法[J];生物醫(yī)學工程學雜志;2008年01期

5 蔡立軍;沈小喬;林亞平;蔣林波;;一種改進的基因表達數(shù)據(jù)分類方法[J];湖南大學學報(自然科學版);2007年03期

6 劉嶠;王娟;陳偉;秦志光;;用于全基因組關聯(lián)分析的一種基因自動選擇算法研究[J];航天醫(yī)學與醫(yī)學工程;2010年04期

7 李昕;趙春;王惠惠;趙芳芳;;一種面向生物信息學數(shù)據(jù)的模式選擇算法研究[J];生物醫(yī)學工程學雜志;2011年05期

8 高智勇,龔健雅,秦前清,林家瑞;惡性腫瘤相關改變檢測方法的研究進展[J];北京生物醫(yī)學工程;2005年02期

9 周華英;張啟蕊;羅漫;王鶴嫻;;醫(yī)藥文本分類特征選擇的研究[J];遼寧中醫(yī)藥大學學報;2011年06期

10 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 靖紅芳;王斌;楊雅輝;;基于類別分布的特征選擇框架[A];第四屆全國信息檢索與內容安全學術會議論文集（上）[C];2008年

2 李長升;盧漢清;;排序學習模型中的特征選擇[A];第六屆和諧人機環(huán)境聯(lián)合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

3 劉功申;李建華;李生紅;;基于類信息的特征選擇和加權方法[A];NCIRCS2004第一屆全國信息檢索與內容安全學術會議論文集[C];2004年

4 倪友平;王思臣;馬桂珍;陳曾平;;分支界定算法在低分辨雷達飛機架次判別中的應用[A];第十三屆全國信號處理學術年會（CCSP-2007）論文集[C];2007年

5 李澤輝;聶生東;陳兆學;;應用多類SVM分割MR腦圖像特征選擇與優(yōu)化的實驗研究[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

6 蒙新泛;王厚峰;;主客觀識別中的上下文因素的研究[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

7 萬京;王建東;;一種基于新的差異性度量的ReliefF方法[A];2009年研究生學術交流會通信與信息技術論文集[C];2009年

8 范麗;許潔萍;;基于GMM的音樂信號音色模型研究[A];第四屆和諧人機環(huán)境聯(lián)合學術會議論文集[C];2008年

9 陳友;戴磊;程學旗;;基于MRMHC-C4．5的IP流分類[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

10 申f;楊宏暉;袁帥;;用于水聲目標識別的互信息無監(jiān)督特征選擇[A];第三屆上�！靼猜晫W學會學術會議論文集[C];2013年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 李靜;高維數(shù)據(jù)交互特征選擇和分類研究[D];燕山大學;2015年

2 劉風;基于磁共振成像的多變量模式分析方法學與應用研究[D];電子科技大學;2014年

3 王石平;粗糙擬陣及其在高維數(shù)據(jù)降維中的應用研究[D];電子科技大學;2014年

4 代琨;基于支持向量機的網(wǎng)絡數(shù)據(jù)特征選擇技術研究[D];解放軍信息工程大學;2013年

5 王愛國;微陣列基因表達數(shù)據(jù)的特征分析方法研究[D];合肥工業(yè)大學;2015年

6 王博;文本分類中特征選擇技術的研究[D];國防科學技術大學;2009年

7 張明錦;基于特征選擇的多變量數(shù)據(jù)分析方法及其在譜學研究中的應用[D];華東理工大學;2011年

8 高青斌;蛋白質亞細胞定位預測相關問題研究[D];國防科學技術大學;2006年

9 馮國忠;文本分類中的貝葉斯特征選擇[D];東北師范大學;2011年

10 張麗新;高維數(shù)據(jù)的特征選擇及基于特征選擇的集成學習研究[D];清華大學;2004年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 張金蕾;蛋白質SUMO化修飾位點預測的數(shù)據(jù)挖掘技術研究[D];西北農(nóng)林科技大學;2015年

2 史德飛;自適應特征選擇在線瓷磚分類系統(tǒng)[D];南京大學;2014年

3 馬錚;網(wǎng)絡流量特征分析與特征選擇[D];北京郵電大學;2013年

4 徐冬;基于特征選擇的入侵檢測方法研究[D];吉林大學;2016年

5 鄭芳泉;稀有數(shù)據(jù)的集成特征選擇與入侵檢測[D];福州大學;2013年

6 徐子偉;基于分步特征選擇和組合分類器的電信客戶流失預測模型[D];中國科學技術大學;2016年

7 肖麗莎;半監(jiān)督特征選擇關鍵技術研究[D];西南交通大學;2016年

8 李昌;概率特征選擇分類向量機[D];中國科學技術大學;2016年

9 黃春虎;基于ReliefF-FCBF組合的入侵特征選擇算法研究[D];新疆大學;2016年

10 譚蘊琨;面向稀疏數(shù)據(jù)的在線學習特征選擇方法研究[D];華南理工大學;2016年

，

本文編號：597277