第一部分:基于独立成分分析和支持向量机的阿尔茨海默病脑结构特征提取和分类研究目的:采用数据驱动的自适应方法进行脑区划分,寻找反映阿尔茨海默病（AD）-轻度认知障碍（MCI）-正常（NC）人群脑结构差异的特征性脑区,比较新的脑区划分方法与既有脑区划分模板在机器学习中识别三类人群的效能。方法:收集ADNI数据库中AD（151人）、MCI（124人）、NC（171人）三类人群的磁共振脑结构像,经过VBM处理后使用SBM分析输出脑区划分结果,与两份既有脑区划分模板（AAL-90与AAL-1024）一起,将脑区成分作为分类特征,年龄、性别、教育年限作为控制变量引入支持向量机,对三类人群进行两两对比,采用留一法依次将单个被试作为测试集,其余该对比中的被试作为训练集,记录并比较分类结果。结果:基于SBM的成分进行的特征提取的敏感性、特异性和总准确率方面均优于另外两种方法。在统计意义上,基于SBM方法的分类ROC曲线的AUC值均显著高于其它两种方法,体现了更好的分类效果。结论:本研究采用数据驱动的自适应脑区特征识别与划分方法,得到了新的脑区划分结果,在SVM分类器应用中观察到了对比既有脑区划分模板更高的准确性与敏感性结果。这些发现有助于AD及MCI人群与健康人群的鉴别,从而为阿尔茨海默病早期诊断与干预提供帮助。第二部分:阿尔茨海默病脑萎缩模式的结构协变网络研究结构协变网络为研究AD病程中的脑组织损伤提供了一个独特的视点。但是现今对AD病程中结构协变网络异变背后的脑区结构损伤过程的了解尚不清晰。在本研究中我们从ADNI数据库中收集了446名包括AD、MCI及正常衰老人群的被试数据。研究根据磁共振T1加权影像数据并加入了格兰杰因果分析,建立了因果结构协变网络。与健康对照被试组相比,AD及MCI患者的SCN表现出了损伤,其中海马体及左侧中央颞叶损伤最为突出,这些发现与既往研究的发现一致。然而,在对194名拥有脑脊液淀粉样蛋白与tau蛋白检查结果的被试数据分析中发现,在AD病程中因果结构协变网络反而有所增强。研究中发现海马、丘脑、楔前叶/后扣带回皮质是AD脑区萎缩的起点,可以通过它们对其它脑区的萎缩进行预测。总结以上发现,本研究对AD病程中的脑萎缩模式及不同脑区萎缩之间的联系进行了详细的探究,可能为AD病程发展提供了新的理解。第三部分:基于支持向量机与独立成分分析的阿尔茨海默病与额颞叶痴呆脑结构特征提取与分类研究目的:寻找阿尔茨海默病、额颞叶痴呆与健康人群的脑影像结构差异,验证支持向量机在三组人群鉴别中的分类效力。方法:收集ADNI数据库与NIFD数据库中AD患者（69人）、FTD患者（69人）与健康人群（72人）的磁共振脑结构像,经过VBM方法预处理后使用SBM方法输出脑区成分划分结果。将脑区成分作为特征,年龄、性别、教育年限作为控制变量,利用支持向量机对三组数据进行机器学习分类研究。将随机选出的一半被试数据作为训练集,剩余数据作为测试集,观察支持向量机的分类表现。结果:支持向量机在AD-FTD-NC的分类研究中的结果保持了较高的准确率,同时研究中发现的AD与FTD的特征性萎缩脑区结果与既往研究一致。结论:本研究利用数据驱动自适应的脑区成分划分方法,应用支持向量机在AD-FTD-NC影像数据分类中获得了较好的分类效力,验证了SVM方法在较复杂的痴呆患者鉴别中的作用,这些发现有助于AD-FTD-NC人群的鉴别,从而为痴呆患者的早期鉴别诊断与干预提供帮助。