论文部分内容阅读
阿尔兹海默症(Alzheimer’s disease,AD)是一种中枢神经系统变性病,起病隐匿,病程呈慢性进行性;病理上表现为脑体积缩小和重量减轻,脑沟加深,脑回萎缩;临床表现为渐进性记忆障碍、认知功能障碍以及语言障碍等症状,是老年期痴呆中最常见的一种类型。AD严重影响了患者的生活质量,也给患者家庭和社会带来沉重的精神和经济负担。轻度认知障碍(Mild Cognitive Impairment,MCI)是正常老化与AD之间的过渡阶段,可认为是AD发病的早期信号,对MCI进行深入研究,可以筛选出AD的高危人群,为AD治疗提供最佳时间。因此,对AD疑似患者做风险分层预测具有很重要的临床意义。磁共振成像(Magnetic resonance imaging,MRI)技术的出现为脑部疾病的诊断研究提供了有利的手段,基于大脑磁共振图像的阿尔兹海默症诊断研究己取得较大进展。然而由于磁共振图像本质上具有三维张量结构,传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能,而且向量化之后的特征维数大大增加,容易导致小样本事件与维数灾难。为了解决向量空间模型的问题,张量空间模型被提了出来,它用本质具有张量结构的原始图像作为模型输入,旨在从整个图像学习完整的信息,并减少了人工特征提取、图像向量化的步骤。近年来基于脑灰质图像的AD预测研究已取得了较大进展,然而关于脑白质图像的研究几乎是空白。白质异常不仅代表AD的早期神经病理学事件,而且可能在AD的发病机制和诊断中起重要作用。本文提出了基于张量空间影像组学模型的阿尔兹海默症诊断方法:以3D T1加权MR脑白质灰度图像作为输入,利用支持张量机(Support tensor machine,STM)迭代算法训练张量样本三个模的权向量并结合递归特征消除法(Recursive feature elimination,RFE)进行特征选择,最后用支持张量机进行分类。在阿尔兹海默症患者(AD),轻度认知障碍患者(MCI)(包括转化为AD的MCI-C和未转化的MCI-NC)以及正常对照(NC)四组人群中进行实验测试,并用10折交叉验证方法获得验证结果。用ROC曲线下面积AUC、分类准确率、敏感性、特异性这四个指标评价分类器的性能,ADvsNC 组分别达到 91.43%、89.35%、87.14%、95.71%;ADvs MCI 组分别达到 76.37%、74.73%、71.85%、75.27%;MCI vs NC 组分别达到 78.57%、76.37%、78.02%、74.22%;MCI-C vs MCI-NC 组分别达到 81.25%、78.57%、77.36%、80.24%。我们在白质灰度张量的基础上又加入了样本的基本信息(年龄、性别、教育程度)和认知分数(MMSE评分和ADAS-Cog评分),分类结果有了进一步提升。实验结果表明本文的算法是一种有效的阿尔兹海默症诊断方法。另外,我们对面向多种特征张量的阿尔兹海默症诊断方法进行了探索性研究:首先,我们在灰度张量的基础上,对13个方向,4种距离的每一种组合构建灰度共生矩阵(Gray-level co-occurrence matrix,GLCM),并对每个灰度共生矩阵提取12种纹理特征,最终构建12×13×4的纹理特征张量,结合脑白质灰度特征张量和纹理特征张量进行分类,实验结果有了不同程度的提高;其次,我们在己有工作的基础上,结合脑白质和脑灰质的灰度特征张量进行分类,并取得了较好的分类结果。