论文部分内容阅读
阿尔茨海默病（Alzheimer’s disease,AD）是一种典型的神经退行性疾病，伴随严重的记忆认知能功能下降或障碍，无有效治疗手段，极大影响了老年人健康生活。扩散峭度成像（Diffusion kurtosis imaging，DKI）是近几年新兴的一种扩散磁共振成像的方法，其在扩散张量成像（Diffusion tensor imaging，DTI）基础上引入高阶峭度统计量来描述生物组织中水分子的扩散行为，可更敏感地反映组织的微观结构特征，有望在AD早期诊断中发挥重要作用。本文首先通过对高阶峭度张量的特征值分解，得到了基于该峭度张量的参数图像，进行了全脑图像参数之间的散点图分析与感兴趣区域的相关性分析，发现峭度特征参数对于不同脑部组织（尤其在灰质和交叉纤维区域）的对比度区分表现较突出，参数之间的联合分析有助于扩散磁共振图像对于不同组织的自动分割。相关性分析中，各向异性参数和平均峭度系数之间呈现显著的正相关性，为峭度生理意义和诊断价值的进一步探索提供了参考。研究中采集了17例AD患者和26例健康老年人（年龄、性别均匹配）的磁共振临床影像数据分别作为实验组和对照组，采用基于递归特征筛选支持向量机的模式识别方法对其DKI和DTI特征集进行了优化，研究结果表明得到的最优特征子集在AD诊断中的正确率相对特征筛选前均得到显著性的提升。文中还对特征子集显著性、ROC曲线以及相关性等方面进行了分析，结果发现：模式识别的方法既能以多特征联合分析的方式进行诊断分析，其机器学习的结果也能反映出临床实际的生理变化，具有较大的临床价值；同时证实了DKI参数（尤其是峭度参数）对AD病理改变的变化具有较高的敏感性，其扩散参数与峭度参数在白质髓鞘损伤的微观病变检测中具有相互补充的效果。本文从磁共振峭度成像特征集的角度结合模式识别方法进行分析，是DKI结合人工智能辅助临床诊断的一次探索性研究，相关成果有望为DKI在AD早期病理分析与诊断中的应用提供帮助。