發(fā)布時間：2021-11-17 09:39

　　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(zhì)性,在實際臨床分類診斷中存在困難,神經(jīng)影像學(xué)在AD診斷領(lǐng)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(zhì)、海馬體積和基底核的自動分類的技術(shù)。該技術(shù)應(yīng)用機器學(xué)習(xí)的方法,實現(xiàn)對阿爾茲海默癥、輕度認(rèn)知障礙和正常認(rèn)知對照組的自動分類診斷。AD分類的最終目標(biāo)是通過應(yīng)用已在大量患病和健康個體上訓(xùn)練過的分類模型,通過單次MRI掃描生成個體診斷,并預(yù)測疾病早期階段的進(jìn)展。具體實現(xiàn)兩個目標(biāo):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(xué)習(xí)模型,對模型進(jìn)行優(yōu)化和校正,訓(xùn)練出適用于臨床分類診斷的分類器,提高臨床診斷的準(zhǔn)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(jié)構(gòu)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(xué)山西省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

實驗方法流程圖

山西醫(yī)科大學(xué)（博）碩士學(xué)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(yù)測準(zhǔn)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(xué)（博）碩士學(xué)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(yù)測準(zhǔn)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