阿爾茨海默�。ˋD）是60歲以上老年人患病率最高的疾病,輕度認知障礙（MCI）是AD的早期階段,具有高轉(zhuǎn)化為AD的風險,分為轉(zhuǎn)化型MCI（cMCI）和穩(wěn)定型MCI（sMCI）。支持向量機（Support vector machine,SVM）能夠用于分類識別,然而模型參數(shù)的選擇對其分類結(jié)果具有較大影響。因此,本文以結(jié)構(gòu)磁共振成像（MRI）數(shù)據(jù)為基礎(chǔ)結(jié)合優(yōu)化理論,提出基于優(yōu)化SVM的AD早期分類算法,具體工作如下:首先,提出了一種基于嵌套CV-SVM模型的阿爾茨海默病綜合診斷算法,全面識別AD和其早期階段MCI的六種分類任務(wù)。通過高斯徑向基（RBF）核函數(shù)建立非線性支持向量機分類器,并與嵌套交叉驗證（CV）相結(jié)合,使內(nèi)層嵌套選擇最優(yōu)參數(shù)。執(zhí)行分類任務(wù)前,需要對MRI圖像進行預處理,提取ROI的灰質(zhì)體積（GMV）特征作為分類標志物。結(jié)果顯示六種任務(wù)取得了較好的分類效果,其中sMCI和cMCI組的獲得了77.79%準確率,比基本的SVM提高了11.42%,與DT和KNN分類器相比,分別提高了14.57%和12.88%。其次,提出了一種基于AMPSO-SVM模型的阿爾茨海默病早期診斷算法,主要... 

【文章來源】：曲阜師范大學山東省

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

SVM原始空間到高維空間的映射過程

第1章緒論51.3本文主要工作和文章結(jié)構(gòu)安排通過深入分析阿爾茨海默病診斷的研究現(xiàn)狀，發(fā)現(xiàn)在諸多機器學習方法中，最受親睞的仍然是SVM分類器。然而，SVM分類性能很多大程度上會受其核參數(shù)和正則化參數(shù)選擇的影響，通過對其參數(shù)進行調(diào)整仍然存在很大的空間來進一步提高其在AD早期診斷中的識別效果。因此，本文基于MRI數(shù)據(jù)，針對SVM模型的參數(shù)選取問題，提出基于優(yōu)化支持向量機參數(shù)的的AD早期分類算法。本文共分為六個章節(jié)，圖1.2給出了文章結(jié)構(gòu)示意圖，各個章節(jié)的具體內(nèi)容如下：圖1.2文章結(jié)構(gòu)示意圖第一章是緒論，該部分將闡述論文的究背景，分析國內(nèi)外阿爾茨海默病早期診斷的發(fā)展現(xiàn)狀和趨勢，最后簡單介紹一下本文主要工作以及文章結(jié)構(gòu)安排。第二章為相關(guān)理論知識，簡單描述結(jié)構(gòu)磁共振成像技術(shù)，灰質(zhì)結(jié)構(gòu)常用的分析方法VBM和ADNI數(shù)據(jù)庫；重點介紹支持向量機模型，包括其理論基儲劃分類型以及核函數(shù)等知識；最后，對分類器性能評估方法以及度量指標進行闡述。第三章設(shè)計一種基于嵌套交叉驗證優(yōu)化支持向量積模型的阿爾茨海默病和輕度認知障礙綜合診斷框架。探討全腦灰質(zhì)體積（GMV）作為特征是否能對NC、sMCI、cMCI和

第2章相關(guān)知識基礎(chǔ)8圖2.1T1和T2加權(quán)的結(jié)構(gòu)磁共振成像圖2.2大腦結(jié)構(gòu)磁共振三維成像圖2.2灰質(zhì)體積分析方法對大腦灰質(zhì)（GrayMatter,GM）結(jié)構(gòu)進行分析主要使用基于體素的形態(tài)學分析方法（VBM）和基于表面的形態(tài)學分析方法（SBM），本文采用的是VBM分析方法�；隗w素的形態(tài)學分析（Voxel-BasedMorphometry,VBM）[54]是研究全腦及局部腦區(qū)灰質(zhì)體積的一種有效方法，提供了一些大腦形態(tài)學的指標，能夠準確估計全腦灰質(zhì)密度或體積變化。VBM不需要借助任何的先驗知識進行假設(shè)，自John等人正式提出后，受到研究者的廣泛關(guān)注，它可以在體素的尺度上分析人腦的MRI數(shù)據(jù)，通過對大腦灰質(zhì)（GM）、白質(zhì)（WM）的體積、密度進行計算，從而精確的評估大腦組織形態(tài)學的變化。VBM的基本流程如下：首先將收集到的不同個體大腦MRI影像通過空間標準化轉(zhuǎn)化到同一空間坐標內(nèi)，之后執(zhí)行腦組織分割操作，將其分成GM、WM和腦脊液（CSF）并進行平滑，最后對平滑后的圖像進行相應(yīng)的建模分析。相較于傳統(tǒng)的人工繪制感興趣區(qū)（ROI）的方法，VBM方法具備測量精度高和可重復性等優(yōu)勢。

【參考文獻】：
期刊論文
[1]少子老齡化背景下我國養(yǎng)老金收支失衡問題及對策研究——以遼寧省為例[J]. 張榮.  經(jīng)濟經(jīng)緯. 2017(04)
[2]改進布谷鳥算法優(yōu)化混合核LSSVM的卷煙銷售量預測[J]. 周建友,張凱威.  計算機工程與應(yīng)用. 2015(19)
[3]基于機器學習的腦網(wǎng)絡(luò)分析方法及應(yīng)用[J]. 張道強,接標.  數(shù)據(jù)采集與處理. 2015(01)
[4]人腦連接組研究:腦結(jié)構(gòu)網(wǎng)絡(luò)和腦功能網(wǎng)絡(luò)[J]. 梁夏,王金輝,賀永.  科學通報. 2010(16)
[5]基于體素的MRI形態(tài)學測量對遺忘型輕度認知障礙和輕度阿爾茨海默病腦灰質(zhì)萎縮的研究[J]. 李亞迪,何慧瑾,馮曉源,丁玎,湯偉軍,趙倩華.  中國臨床神經(jīng)科學. 2010(03)

博士論文
[1]基于群智能優(yōu)化的機器學習方法研究及應(yīng)用[D]. 趙東.吉林大學 2017
[2]灰質(zhì)體積作為阿爾茨海默病潛在生物標記物的研究及基層醫(yī)療機構(gòu)阿爾茨海默病輔助識別系統(tǒng)的初步建立[D]. 郭艷娥.中國人民解放軍醫(yī)學院 2014
[3]輕度認知障礙和阿爾茲海默病腦形態(tài)異常的磁共振影像研究[D]. 姚志軍.蘭州大學 2011

碩士論文
[1]阿爾茨海默病磁共振圖像的特征選擇方法研究[D]. 孫富軍.山東師范大學 2017
[2]基于磁共振影像腦疾病分類的模式識別方法研究[D]. 畢文偉.電子科技大學 2016
[3]靜息態(tài)BOLD-fMRI在輕度認知障礙和阿爾茨海默病中的應(yīng)用[D]. 劉敏.山西醫(yī)科大學 2012



本文編號：3218874