论文部分内容阅读
轻度认知障碍（Mild Cognitive Impairment,MCI）是阿尔茨海默病（Alzheimer’s Disease,AD）的前兆状态,其早期诊断和转化风险预测非常重要。本研究以健康老年人作为对照组（Normal Control,NC）,稳定型MCI（stable MCI,sMCI）和转化型MCI（converted MCI,cMCI）共三组人群为研究对象,采集基线期（首次扫描）、1年和2年三个时间点的脑结构MR影像数据和随访信息。首先,采用FreeSurfer软件对影像进行预处理和脑皮层结构特征计算,利用T检验方法（T-test）和单因素方差分析方法（ANOVA）分析三组人群的脑皮层特征（表面积、皮层厚度、灰质体积和平均曲率）差异、海马子区体素差异和纵向变化规律。实验结果表明,从NC到sMCI再到cMCI,患者的脑结构变化存在渐进性,变化脑区由内侧颞叶、部分额顶叶脑区增加到大面积额顶叶和枕叶等脑区,海马体素减少的子区从下托、前下托、CA23、CA4等扩展到整个海马结构;且随着年龄的增长,脑结构特征变化速率为cMCI组>sMCI组>NC组。然后,应用T-test、稀疏回归（SCDR）和特征递归消去法（RFE）进行特征选择,采用支持向量机（SVM）建立单特征和融合特征的分类模型,进行分类,并获取组间区分能力较强的脑结构特征。其中,SVM分类模型表明RFE分类性能最优,皮层厚度和灰质体积分类能力也优于表面积和平均曲率,与海马体素分类结果相似;同时,4种皮层特征融合、皮层特征与海马体素融合,尤其是基线与纵向特征融合,可显著提高分类性能。此外,为了进一步提高分类性能,评估MCI转化风险,采用深度学习算法进行多分类和MCI转化时间预测,并比较与讨论了两种卷积神经网络与SVM的性能差异。结果表明,深度网络CaffeNet对NC、sMCI和cMCI的基线分类准确率达90.46%,85.12%,91.22%,优于GoogleNet的分类性能,且对MCI的转化时间预测平均准确率达96.47%。因此,随着病程的进展,MCI患者脑结构特征变化存在显著差异,深度学习算法在MCI多分类与转化预测方面的性能尤为突出,在AD的早期检测和转化风险评估方面,具有临床应用价值。