目的:阿爾茲海默癥（Alzheimer’s Disease,AD）由于病情具有多樣性和個體異質性,在實際臨床分類診斷中存在困難,神經(jīng)影像學在AD診斷領域發(fā)揮著越來越重要的作用。本文提出一種基于大腦皮質、海馬體積和基底核的自動分類的技術。該技術應用機器學習的方法,實現(xiàn)對阿爾茲海默癥、輕度認知障礙和正常認知對照組的自動分類診斷。AD分類的最終目標是通過應用已在大量患病和健康個體上訓練過的分類模型,通過單次MRI掃描生成個體診斷,并預測疾病早期階段的進展。具體實現(xiàn)兩個目標:1.找到高效的特征選擇方法,使得挑出的特征值能夠作為輔助診斷的重要依據(jù),使臨床診斷更高效。2.通過選擇合適的機器學習模型,對模型進行優(yōu)化和校正,訓練出適用于臨床分類診斷的分類器,提高臨床診斷的準確性。方法:1.隨機取ANDI數(shù)據(jù)庫（Alzheimer’s Disease Neuroimaging Initiative,ANDI）中543名受試者資料,資料項目包括受試者ID號、結構性磁共振（Structural Magnetic Resonance Imaging,sMRI）圖像、簡易精神狀態(tài)評價（Mini Mental S... 

【文章來源】：山西醫(yī)科大學山西省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

實驗方法流程圖

山西醫(yī)科大學（博）碩士學位論文23圖2-1272項sMRI數(shù)據(jù)，L1-LR分類模型下各型特征選擇的分類預測準確率折線圖表2-8272項sMRI數(shù)據(jù)，L1-LR分類模型下各型特征選擇的分類的特異性、敏感度、AUC值分組NC-EMCINC-LMCINC-ADEMCI-LMCEMCI-ADLMCI-ADL1-LR特征選擇特異度（%）83.7596.8690.0057.4587.4675.76敏感度（%）99.4285.8966.3883.1965.8966.61AUC0.9370.9510.9470.8740.9650.880L1-SVM特征選擇特異度（%）83.0798.2510082.9990.8680.73敏感度（%）92.2686.4170.4057.4572.5068.57AUC0.9160.9600.9760.8610.9720.874GBDT特征選擇特異度（%）79.5797.1379.6467.8686.0669.10敏感度（%）97.8375.8456.1638.0061.7955.18AUC0.8970.9370.8840.7730.9310.780圖2-2272項數(shù)據(jù)，L1-LR模型分類ROC曲線面積圖由表2-7、表2-8和圖2-1可知，L1-LR分類模型下，LI-SVM和L1-LR特征選

山西醫(yī)科大學（博）碩士學位論文23圖2-1272項sMRI數(shù)據(jù)，L1-LR分類模型下各型特征選擇的分類預測準確率折線圖表2-8272項sMRI數(shù)據(jù)，L1-LR分類模型下各型特征選擇的分類的特異性、敏感度、AUC值分組NC-EMCINC-LMCINC-ADEMCI-LMCEMCI-ADLMCI-ADL1-LR特征選擇特異度（%）83.7596.8690.0057.4587.4675.76敏感度（%）99.4285.8966.3883.1965.8966.61AUC0.9370.9510.9470.8740.9650.880L1-SVM特征選擇特異度（%）83.0798.2510082.9990.8680.73敏感度（%）92.2686.4170.4057.4572.5068.57AUC0.9160.9600.9760.8610.9720.874GBDT特征選擇特異度（%）79.5797.1379.6467.8686.0669.10敏感度（%）97.8375.8456.1638.0061.7955.18AUC0.8970.9370.8840.7730.9310.780圖2-2272項數(shù)據(jù)，L1-LR模型分類ROC曲線面積圖由表2-7、表2-8和圖2-1可知，L1-LR分類模型下，LI-SVM和L1-LR特征選


本文編號：3500646