【摘要】：大腦在老化的過程中會不可避免地出現(xiàn)組織、結(jié)構(gòu)以及功能衰退的現(xiàn)象,因此針對腦老化機(jī)制的研究,對腦老化有關(guān)疾病的早期預(yù)防、診斷和治療有著重要的意義。基于大腦成像數(shù)據(jù)的年齡預(yù)測方法可以預(yù)測個體的年齡。通過比較預(yù)測年齡和真實年齡,可以捕捉出大腦結(jié)構(gòu)和功能在腦老化過程中的偏差,根據(jù)偏差找到與腦老化有關(guān)的生物標(biāo)記物,而這些生物標(biāo)記物對臨床疾病診斷有著重要的意義。因此,本文研究借助磁共振成像技術(shù)得到大腦圖像,并探索實際年齡與根據(jù)大腦圖像預(yù)測的年齡之間的差距。先前的年齡預(yù)測研究一般只依賴大腦的結(jié)構(gòu)或者功能磁共振數(shù)據(jù),在這里我們研究多模態(tài)數(shù)據(jù)融合,旨在提高模型的預(yù)測能力。主要研究內(nèi)容包括以下幾個方面:1.基于648例年齡19-88歲之間的健康被試,進(jìn)行年齡預(yù)測研究。首先是提取特征,包括基于T1加權(quán)圖像提取腦容積和皮層特征,基于彌散張量圖像構(gòu)建結(jié)構(gòu)連接矩陣并提取矩陣的連接權(quán)值,基于靜息態(tài)功能磁共振圖像構(gòu)建功能連接矩陣并提取矩陣的連接權(quán)值;其次是特征降維;最后將上述過程中得到的特征,構(gòu)建不同模態(tài)的年齡預(yù)測模型。在預(yù)測模型的選擇上,我們對比多個機(jī)器學(xué)習(xí)算法,最終得出基于貝葉斯嶺回歸以及腦容積特征空間的年齡預(yù)測模型,可以得到最優(yōu)的預(yù)測結(jié)果。根據(jù)貝葉斯嶺回歸預(yù)測模型的結(jié)果,我們可以提出具有顯著特征權(quán)重所對應(yīng)的特征,作為我們所提出與年齡有關(guān)的生物標(biāo)記物。本研究中發(fā)現(xiàn)在平均皮層厚度的特征空間中,與年齡顯著有關(guān)的特征,基本集中在額葉、顳葉、腦島等溝回。在平均皮層表面積的特征空間中,發(fā)現(xiàn)與年齡顯著有關(guān)的特征,基本集中在顳葉,前后中央溝等多個區(qū)域。在功能連接網(wǎng)絡(luò)的特征空間中,與年齡顯著有關(guān)的特征,基本集中在顳-額葉和頂-額葉區(qū)域的連接。在結(jié)構(gòu)連接網(wǎng)絡(luò)的特征空間中,與年齡顯著有關(guān)的特征,發(fā)現(xiàn)額葉內(nèi)部有較多的連接,絕大部分顳葉區(qū)域集中在額-顳葉之間的連接,其它皮層腦區(qū)與皮下腦區(qū)之間也存在一些連接。這些區(qū)域的結(jié)構(gòu)連接主要與記憶力和其它認(rèn)知功能發(fā)生衰退有關(guān)。2.各個模態(tài)的數(shù)據(jù)不僅具有相似的共享信息,也具有自身模態(tài)特點的獨特信息,因此將多個模態(tài)數(shù)據(jù)融合的年齡預(yù)測模型可能會得到更好的預(yù)測效果。將T1加權(quán)圖像提取的腦容積以及皮層數(shù)據(jù)、彌散張量圖像得到的結(jié)構(gòu)連接矩陣和靜息態(tài)磁共振成像數(shù)據(jù)得到的功能連接矩陣作為特征值,借助集成學(xué)習(xí)算法的Stacking作為整體架構(gòu)的年齡預(yù)測模型,初級學(xué)習(xí)器使用貝葉斯嶺回歸,次級學(xué)習(xí)器使用線性回歸作為預(yù)測算法并使用隨機(jī)森林回歸和Adaboost等算法作為對比。融合多個模態(tài)的數(shù)據(jù)發(fā)現(xiàn),將功能與結(jié)構(gòu)的數(shù)據(jù)融合能得到最低誤差,平均絕對誤差為5.53歲,皮爾遜相關(guān)值r為0.93,但是,單模態(tài)年齡預(yù)測最低的平均絕對誤差為6.60歲。因此,多模態(tài)融合年齡預(yù)測要明顯優(yōu)于單個模態(tài)的年齡預(yù)測的最優(yōu)結(jié)果。綜上所述,本文通過將結(jié)構(gòu)與功能磁共振數(shù)據(jù)融合,構(gòu)建年齡預(yù)測模型,并且提取腦影像的顯著特征作為與年齡有關(guān)的生物標(biāo)記物,這些生物標(biāo)記物可以為臨床上的診斷提供一些參考。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R445.2;R338
【圖文】：

圖 1-1 彌散張量主方向現(xiàn)狀問題日趨嚴(yán)重，一般可以根據(jù)聯(lián)合國《人口分標(biāo)準(zhǔn)來確定是否屬于老齡化國家，該標(biāo)準(zhǔn)認(rèn)5 歲以上人口超過 7%，則該國家可以被認(rèn)定開始邁進(jìn)老齡化的軌道上，截止 2018 年初了約 1.1 億。預(yù)計再過 30 年中國的老年人口嚴(yán)重，已經(jīng)成為我國人口問題中一個及其重，患 AD 的人數(shù)也會快速增加，從流行病學(xué) AD 的比率約為 5%，輕度認(rèn)知障礙（mild c為 15%[37, 38]。隨著年齡的增長，人體不可避隨之下降，罹患與年齡有關(guān)疾病的可能性也和腦退行性疾病[39]等。一些不可避免的問題經(jīng)濟(jì)甚至整個社會的經(jīng)濟(jì)帶來沉重的負(fù)擔(dān)[40]

圖 1-2 模型訓(xùn)練流程圖選擇與特征降維影像學(xué)研究中，樣本量一般小于 3000，但是 fMRI素個數(shù)高于 10000，sMRI 數(shù)據(jù)處理后的體素個數(shù)更樣本數(shù)量要遠(yuǎn)遠(yuǎn)小于特征數(shù)量。這個問題在機(jī)器學(xué)7]或者維數(shù)災(zāi)難，這也很容易會造成過擬合的問題，除特征中冗余特征從而選出有效特征，從而提高模除冗余特征還能夠降低模型學(xué)習(xí)的難度�；� MR據(jù)體素數(shù)目眾多，在形成預(yù)測模型前，則需先進(jìn)行特征選擇區(qū)別于特征降維，特征選擇在選擇前后其是整體特征維度降低，而特征降維則是將全特征空映射關(guān)系映射到另一個維度空間，特征本身的信息量降低并且映射的特征值也發(fā)生改變。原始數(shù)據(jù)中得到絕大部分重要信息，如果沒有一些

圖 2-1 確定性示蹤白質(zhì)纖維束走向圖.1.3 支持向量回歸支持向量回歸[114]其目的是找到一個回歸平面，使得集合內(nèi)所有特征值到歸平面距離總和最近，則該平面就是我們要找的最優(yōu)回歸平面，它是支持機(jī)（support vector machine，SVM）[115]研究的一個重要分支。在分類任務(wù)中我們常用到的 SVM 算法，主要思想是基于訓(xùn)練集 D 在樣 間 中 找 到 一 個 可 以 劃 分 不 同 類 別 的 超 平 面 P ， 其 中 假= ( ) ( ) ( ) ，計算損失函數(shù)R( )，當(dāng)損失函數(shù)結(jié)果達(dá)優(yōu)時，對應(yīng)的參數(shù)就能以數(shù)學(xué)表達(dá)式的方式表述出最優(yōu)分類平面。劃分超平面可以通過如下線性方程用公式 2-2 來描述： = （2-其中的 = 為法向量，可以表述為超平面 P 的方向；b 為，代表 P 到中心點的距離。當(dāng)然，通過公式 2-2 可以看出，我們可以用 w

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 林嵐;張柏雯;付振榮;靳聰;吳水才;;高血壓對大腦年齡估值差的影響[J];中國醫(yī)療設(shè)備;2015年06期

2 張蕾;王麗娜;樊東升;崔德華;;阿爾茨海默病與腦老化因素[J];神經(jīng)疾病與精神衛(wèi)生;2008年02期

3 李曄,劉賢宇,王曉民;腦老化與神經(jīng)系統(tǒng)退變性疾病[J];基礎(chǔ)醫(yī)學(xué)與臨床;2002年03期

相關(guān)博士學(xué)位論文 前1條

1 羅程;多模態(tài)神經(jīng)成像技術(shù)在特發(fā)性全面性癲癇中的應(yīng)用研究[D];電子科技大學(xué);2011年

相關(guān)碩士學(xué)位論文 前1條

1 黃夢婷;基于fMRI研究針對冷疼痛刺激造成的大腦網(wǎng)絡(luò)改變機(jī)制[D];電子科技大學(xué);2016年

本文編號：2761862