本文關鍵詞： 抑郁癥 分類特征 fMRI數(shù)據 支持向量機 BP神經網絡　出處：《西南大學》2017年碩士論文　論文類型：學位論文

【摘要】：現(xiàn)代醫(yī)學中對于重度抑郁癥的診斷和治療有著較為明確的標準和方案,其中常用的方法是基于診斷學來進行癥狀診斷進而進行治療。然而這種方法還處于初級研究階段,尤其是致使抑郁癥患者病情更加嚴重的其他誘發(fā)病因以及發(fā)病機制的研究仍然沒有可靠的結論。目前對于重度抑郁癥患者的診斷判定多是依據患者家屬對患者日常行為進行描述,其次再結合醫(yī)生自身的觀察以及相應的醫(yī)學知識和經驗來進行評定。這種方法主觀性太強,同時也對醫(yī)生的診斷能力和工作水平要求很高,盡管如此也難以保證較高的準確率,往往容易造成誤診,從而延誤了最佳的治療時期,結果就導致了患者的病情進一步惡化。隨著現(xiàn)代醫(yī)學技術的發(fā)展,尤其是腦影像學技術的日益發(fā)展,使得在腦疾病的診斷與治療中出現(xiàn)了更為便捷的方法,其中功能磁共振影像(functional Magnetic Resonance Imaging,fMRI)技術的出現(xiàn)更進一步的推動了抑郁癥的臨床研究和發(fā)展。功能磁共振成像技術的研究之所以能夠得到廣泛傳播更多是由于其能在并不形成創(chuàng)口的條件下實現(xiàn)對大腦特定區(qū)域進行研究,因此在腦功能異常研究方面具有自己的獨特優(yōu)勢。而功能磁共振影像(fMRI)技術在世界范圍內廣泛傳播的同時也進一步推動了醫(yī)學上在重度抑郁癥治療方面上的研究。在Biswal等人將靜息態(tài)功能腦網絡研究與fMRI技術相結合之后,這種以靜息態(tài)為代表的fMRI研究越來越多的被運用到腦疾病的研究中。關于抑郁癥的研究一直是醫(yī)學上研究的熱點,同時因其給患者本人、患者家庭和社會帶來了沉重的負擔和嚴重的影響,也越來越受到社會的關注。但是目前對于抑郁癥這一類精神疾病的診斷手法相對比較單一,因此需要探尋出一種高效的、系統(tǒng)的方法來進行更為準確的診斷。在各種腦疾病的研究方法中,以使用靜息態(tài)fMRI技術進行抑郁癥研究的方法尤為引人注意,并且已經取得了較好的研究成果,進一步的推動了臨床診斷上的醫(yī)學研究。作為精神疾病研究的一個新視角和新方法——靜息態(tài)功能磁共振影像數(shù)據的研究方法越來越得到廣泛應用。考慮到目前的研究現(xiàn)狀,我們的研究通過對患者組和健康對照組功能磁共振影像數(shù)據進行分析,從數(shù)據中選擇特征屬性差異性較大的特征作為分類輸入特征,運用分類算法構建分類器模型進行分類實驗。在分類算法選擇上,根據不同分類算法的特點選取合適的分類算法來構建分類模型,從而得到能夠有效的將患者組和健康對照組進行分類判別的模型,目的是幫助醫(yī)學上構建抑郁癥的相關臨床生理指標,進而能夠從機器學習的角度來建立抑郁癥輔助診斷模型,這對今后在抑郁癥的診斷判別方面的研究具有非常重要的意義。我們的研究是一種跨學科的研究,研究的過程中為我們結合了復雜網絡的相關理論體系以及腦科學相關的理論體系,采用已經比較成熟的功能磁共振成像技術來獲取被試大腦圖像的fMRI數(shù)據。在獲取被試的fMRI數(shù)據之后做了一系列預處理工作,進而在預處理數(shù)據的基礎上來構建被試的功能腦網絡模型。在被試腦網絡異常拓撲結構的研究中我們應用了復雜網絡的一些理論,在功能腦網絡的特征屬性中選擇差異性顯著的特征屬性作為分類輸入特征,研究不同的分類算法來實現(xiàn)對患者組和健康對照組功能腦網絡分類研究實驗。作為一種研究抑郁癥的全新視角,目的是為了從機器學習的角度來揭示抑郁癥的成病機理,為今后醫(yī)學上對于抑郁癥的研究提供一個更加全面、準確的研究方向。本文的主要工作如下:(1)靜息態(tài)下運用功能磁共振成像術獲得被試的腦網絡fMRI數(shù)據:在被試保持無任務靜息態(tài)的條件下采用fMRI技術對符合條件的被試進行腦部掃描,得到被試的fMRI數(shù)據。在我們的實驗研究中,通過篩選的被試包括有重度抑郁癥患者(36名)以及正常人(37名)。(2)對獲取的被試腦網絡原始數(shù)據進行一系列的預處理工作:預處理的過程是在MATLAB平臺中進行,調用事先裝入平臺的實驗工具箱DPARSF和REST來預處理fMRI圖像數(shù)據,處理過程中涉及的處理步驟有:1.時間片校準;2.被試的頭動校準;3.空間標準化;4.平滑;5.低頻濾波。(3)構建被試腦網絡并計算網絡特征:實驗過程中對于腦區(qū)的劃分依據是采用AAL大腦模板將大腦分為90個腦區(qū),利用非參數(shù)置換檢驗對90個腦區(qū)的網絡特征屬性進行對比研究,從中確定具有明顯差異性的異常腦區(qū)來進行研究。然后構建出被試異常腦區(qū)的腦網絡模型運用復雜網絡的相關理論來計算一系列的網絡特征屬性值。(4)研究分析機器學習方法,從中選擇本文將要運用的分類算法,并研究分類算法的原理及相關參數(shù)設定方面的問題。(5)結合分類算法構建分類器模型實現(xiàn)對被試進行分類判別的實驗:運用選擇的分類算法和所選的網絡特征屬性進行分類試驗,構建分類模型并進行預測實驗,對比實驗結果進行實驗結果分析。
[Abstract]:......
【學位授予單位】：西南大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R749.4;TP391.41

【參考文獻】

相關期刊論文 前4條

1 張健;劉定一;;一種應用PSO優(yōu)化RBF神經網絡的方法[J];計算機仿真;2014年11期

2 劉俐;霍麗琴;張峰;鄭崇勛;尤佳;何喜寧;張潔;;模糊BP神經網絡在新生兒HIE早期診斷中的應用研究[J];生物醫(yī)學工程學雜志;2011年04期

3 陳若珠;楊紫娟;韋哲;;基于BP神經網絡的骨質疏松疾病的診斷分類研究[J];醫(yī)療衛(wèi)生裝備;2011年08期

4 陸菁菁;功能磁共振成像的研究背景和臨床應用[J];國外醫(yī)學(臨床放射學分冊);2003年06期

，

本文編號：1492039