阿爾茲海默癥（Alzheimer’s disease,AD）是中老年人群中最常見的神經退行性疾病,目前尚無準確定量的早期診斷或預測方法且難以有效治愈。隨著社會老齡化問題日漸嚴重,該疾病的診斷和治療正面臨越來越嚴峻的挑戰(zhàn)。磁共振成像（Magnetic Resonance Imaging,MRI）技術能夠定量地反映大腦組織在結構和功能上的特征與變化,具有無創(chuàng)、高空間分辨等優(yōu)點,并已廣泛應用于AD診斷研究中。隨著MRI多種成像技術的不斷發(fā)展,基于MRI影像的多種特征參數也正普遍應用于AD臨床。且在當前大數據信息時代背景下,這種多特征的融合分析技術越來越占有重要地位。本論文研究提出了一種基于MRI多特征融合的模式識別方法,并嘗試用于AD診斷。首先研究優(yōu)化了構建分類器模型的關鍵技術環(huán)節(jié)。基于支持向量機（Support Vector Machine,SVM）模型,本文構建了封裝式特征選擇及參數優(yōu)化的分類器模型,通過遞歸特性消除算法進行特征選擇,可選得最優(yōu)特征子集并降低特征維度;然后使用梯度篩選算法優(yōu)化SVM模型參數使分類器性能最佳。其次,本文基于腦結構網絡并結合腦灰質和白質特征建立了用于AD診斷的... 

【文章來源】：天津大學天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：75 頁

【學位級別】：碩士

【部分圖文】：

阿爾茨海默病的發(fā)展過程

標和特征融合思路，通過建立SVM模型對AD進行了自動診斷和病理檢測分析 本論文的主要研究思路和內容，如圖 1-2 所示 即：針對多個模態(tài)的數據，分別從多維結構網絡和多模態(tài)圖像指標兩個不同角度進行了特征提取和特征集構建；然后研究特征選擇 參數優(yōu)化與性能評估等 SVM 模型構建方法，分別應用于臨床實際 本文主要研究內容包括以下三個部分：1. 使用 SVM 機器學習模型，對比不同的特征選擇方法和參數優(yōu)化算法，構建最優(yōu)化的 SVM 機器學習模型 2. 基于 DTI 進行大腦結構網絡構建，分別提取網絡中灰質（腦區(qū)節(jié)點）白質（結構連接）特征，采用 SVM 模型分析 AD 結構網絡的灰質和白質異常；進一步通過灰白質異常的聯(lián)合分析探究 AD 患者大腦中結構失連接的空間分布與灰質結構的改變存在內在聯(lián)系，同時啟發(fā)了從網絡的概念進行機器學習分析的基本思路 3. 基于 DTI 與 DKI 和 fMRI 數據，提取 MRI 多模態(tài)的影像特征，探究跨模態(tài)特征融合的 SVM 機器學習模型在 AD 診斷中的價值

圖 2-1 原子核子磁場效應示意圖電荷，所以在其自旋時又會產生核磁矩時，由于磁矩和動量矩會同時受到外磁場方向做拉莫爾進動（larmor precessio向，藍色矢量表示核磁矩 核磁矩的拉0 0 = B比； 為外磁場強度 由(2-1)式可知，場強度和原子核自身特性參數（旋磁比

【參考文獻】：
期刊論文
[1]面向“探索腦科學”的連接組計算系統(tǒng)（英文）[J]. 徐婷,楊志,姜黎黎,邢秀俠,左西年.  Science Bulletin. 2015(01)



本文編號：3468849