基于部分容积校正的轻度认知障碍分类研究

• 作 者: 李欣怡
• 出 处: 上海交通大学
• 发表日期: 2004年期
• 关键词: 阿尔茨海默病 轻度认知障碍 部分容积校正 多模态 分类

轻度认知功能障碍(MCI)是介于正常老化与阿尔茨海默病(AD)之间的一种临床状态,根据疾病发展情况,MCI可以分为进展型MCI(pMCI)和稳定型MCI(sMCI)。对MCI进行正确分类可以帮助临床早期筛选和标记高风险点的MCI病人。近些年来,正电子发射断层成像(PET)已成为研究阿尔茨海默病的重要工具。然而由于PET系统成像理论及探测技术的限制,图像中不同体素或区域间放射性活度值会相互扩散,产生部分容积效应的现象,严重干扰了图像的质量与定量分析,影响疾病的诊断。因此进行部分容积效应的校正(PVC)是值得探索的。本研究从ADNI(Alzheimer’s Disease Neuroimaging Initiative)数据库上选取了298例正常人,100例AD病人及214例MCI病人,下载了他们的图像数据,包含AV-45-PET、FDG-PET和MRI三种图像模态,并且MCI病人有两年后的随访数据。筛选后的数据进行图像预处理后,对FDG-PET和AV-45-PET图像进行四种部分容积校正:VC解卷积法、RL解卷积法、Muller-Gartner法和几何矩阵转换法。通过感兴趣区域得到体素特征,并选择小脑作为参考区域对体素进行标准化。利用主成分分析法对数据进行降维,采用k折交叉验证对三种机器学习分类器进行分类训练,包括支持向量机(SVM)、决策树(DT)及K最近邻(KNN)。对MCI的分类性能通过受试者工作特性曲线(ROC曲线)来评估,敏感性、特异性、准确率和曲线下面积越大,分类效果越好。研究结果表明,对比原始PET图像,四种PVC校正算法都具有一定的校正效果。不同模态、不同分类器及不同校正方法的分类结果表明,PVC校正在部分情况下能提高MCI的分类性能,帮助临床早期筛选和标记高风险点的MCI病人。从最高分类准确率来看,AV-45-PET比FDG-PET表现更好,能更直观的反映AD的病理学特征。根据不同分类器的平均评估指标,SVM和KNN分类器的表现均较为良好,而DT分类器的表现较差,不适合对MCI进行分类预测。因此,选择合适的PVC算法及分类器模型能在一定程度上提高MCI的分类性能。