论文部分内容阅读
阿尔茨海默病(AD)是一种神经退行性疾病。由于其不可逆性以及巨大的社会负担,对其早期阶段建模研究,将有助于医生诊断和及时干预治疗。磁共振成像提供了一种安全且高时空分辨率的成像方法,目前广泛的用于AD诊断。然而人工影像诊断存在较大的主观性且耗时耗力,AD早期阶段的影像学特征不明显,人眼无法对其进行识别。为解决上述问题,机器学习方法提供了有效的途径,但现有研究存在诸多局限性,如模型未考虑到脑网络的动态特性、人口表型信息与疾病之间的关联以及多模态数据之间的互补性等。针对存在的问题,本文分别研究了基于机器学习方法的动态高阶网络模型和图卷积网络模型。阿尔茨海默病神经影像计划(ADNI)数据库收集了不同阶段的受试者,包括了晚期轻度认知障碍(LMCI)、早期轻度认知障碍(EMCI)、早期记忆力减退(SMC)和正常认知(NC),本文利用ADNI数据库进行实验验证。主要研究内容如下:(1)为了对AD的早期阶段准确分类,本研究考虑大脑动态特性,分析了静息态功能磁共振(R-fMRI)扫描时间序列的动态与高阶性质,用于提升功能脑网络特征表达能力。首先,利用滑动窗将时间序列进行划分,获得动态功能网络,利用动态功能网络之间的协方差矩阵得到高阶网络;之后,利用局部聚类方法提取网络有效特征,然后利用LASSO算法进行特征选择,选择具有判别力的表达特征;最后,使用留一交叉验证方法用于支持向量机分类模型训练。该方法在6种不同分类任务LMCI vs.NC、EMCI vs.NC、SMC vs.NC、LMCI vs.EMCI、LMCI vs.SMC和EMCI vs.SMC中,分类平均准确率分别达到了85.2%、80.3%、78.9%、78.8%、84.3%和80.2%。(2)为了进一步提升对AD早期分类的准确性,我们提出一种新的图卷积网络模型,结合人口表型数据信息,用来从多模态神经影像中学习具有判别力的特征。首先,我们利用R-fMRI构建功能脑网络,利用弥散张量成像构建结构脑网络。之后,利用网络特征结合采集设备信息与受试者性别信息构建人口表型特征图形。最后,利用图卷积网络模型对特征图形进行学习。该方法在EMCI vs.NC、LMCI vs.NC和LMCI vs.EMCI分类任务中,分类平均准确率分别为79.4%、85.6%和86.7%。综上所述,本文研究工作主要针对磁共振成像脑网络(包括结构脑网络和功能脑网络)进行学习建模用于AD早期分类。主要内容包括动态高阶网络模型的构建和图卷积网络模型构建,并在ADNI数据库上验证了模型的有效性。