【摘要】：隨著信息技術(shù)的發(fā)展,醫(yī)學(xué)影像設(shè)備和技術(shù)已成為醫(yī)院用來(lái)診斷疾病的主要手段,CT、MRI等醫(yī)學(xué)影像的使用越來(lái)越多,從而產(chǎn)生了大量多角度、高分辨率的醫(yī)學(xué)影像數(shù)據(jù)。利用計(jì)算機(jī)輔助診斷手段對(duì)醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行有效分析處理,能夠?yàn)獒t(yī)生提供更詳細(xì)的圖像細(xì)節(jié),減輕醫(yī)生在診斷疾病時(shí)的負(fù)擔(dān),幫助醫(yī)生提高診斷的準(zhǔn)確率。醫(yī)學(xué)圖像的挖掘分析是計(jì)算機(jī)輔助診斷中的重要組成部分,在實(shí)際的應(yīng)用中,獲取的醫(yī)學(xué)圖像數(shù)據(jù)往往存在類別分布不平衡的情況,導(dǎo)致了傳統(tǒng)的分類器性能明顯下降。為此,本文提出了基于類別不平衡學(xué)習(xí)技術(shù)的AD醫(yī)學(xué)圖像挖掘,目的是研究類別分布不平衡的阿爾茲海默癥醫(yī)學(xué)圖像的分類識(shí)別。研究思路首先對(duì)腦部MRI醫(yī)學(xué)圖像進(jìn)行預(yù)處理,確定感興趣區(qū)域,提取形態(tài)學(xué)特征和紋理特征;然后提出了基于隨機(jī)森林的不平衡數(shù)據(jù)特征選擇算法來(lái)解決類別不平衡問(wèn)題;最后對(duì)腦部醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行分類,通過(guò)實(shí)驗(yàn)驗(yàn)證結(jié)果證明本文所提方法的有效性。整合這些方法來(lái)研究類別不平衡的阿爾茲海默癥腦部醫(yī)學(xué)影像,以此來(lái)探索阿爾茲海默癥診斷的新途徑。主要內(nèi)容為:(1)對(duì)類別不平衡的腦部醫(yī)學(xué)圖像分類識(shí)別的相關(guān)技術(shù)進(jìn)行總結(jié)分析,包括成像技術(shù)、特征提取、特征選擇、數(shù)據(jù)特性、分類算法,分析每個(gè)階段的方法原理以及它的優(yōu)劣情況;(2)對(duì)圖像進(jìn)行特征提取,通過(guò)對(duì)當(dāng)前腦部醫(yī)學(xué)圖像特征提取技術(shù)的研究分析,發(fā)現(xiàn)特征融合方法能夠保留圖像更多的細(xì)節(jié),故本文使用特征融合方法,融合圖像的形態(tài)學(xué)特征和紋理特征;(3)特征選擇,考慮到冗余和不相關(guān)特征會(huì)直接影響分類性能,以及數(shù)據(jù)具有類別不平衡特性,因此,本文研究當(dāng)前的類別不平衡特征選擇方法,提出了基于隨機(jī)森林的特征選擇算法,選擇出有利于識(shí)別少數(shù)類樣本的特征,使得在特征選擇階段優(yōu)化特征子集,解決了數(shù)據(jù)存在的類別不平衡問(wèn)題以提升最終的分類識(shí)別效果。
【學(xué)位授予單位】：貴州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;R749.16
【圖文】：

CI 組數(shù)據(jù)進(jìn)行雙樣本 t 檢驗(yàn)以檢測(cè)每組內(nèi)樣本數(shù)據(jù)之間著性差異變化。AD-NC 組數(shù)據(jù)的灰質(zhì)萎縮分析樣本 T 檢驗(yàn)對(duì) AD-NC 組數(shù)據(jù)的灰質(zhì)密度進(jìn)行差異分析的閾值 pValue≤0.001, 經(jīng)過(guò) FDR 校正，F(xiàn)DR≤0.05, 設(shè)定取 AD 患者的病灶區(qū)，使用 xjView 顯示差異腦區(qū)，其發(fā).3 所示，圖中帶有彩色區(qū)域代表腦區(qū)的差異情況，其中顏在海馬體部分，表明了在對(duì) AD-NC 組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)后，的萎縮現(xiàn)象較明顯，其他腦區(qū)也相應(yīng)發(fā)生不同程度的萎區(qū)域作為感興趣區(qū)域 ROI，各個(gè)感興趣區(qū)域信息如表 3前萎縮區(qū)域的簇中心位置，平均萎縮體素個(gè)數(shù)代表當(dāng)前簇NI 坐標(biāo)表示當(dāng)前簇中心位置在 MN（IMontrealNeurolog息。

表 3-3 差異腦區(qū)信息（AD-NC）素個(gè)數(shù)MNI 坐標(biāo)差異X Y Z 0 -96 -12 距狀裂周圍 15.99 -73.15 9.40 距狀裂周圍 4.5 10.5 18 尾狀核 -4.85 -42.92 24.67 后扣帶33 37.5 -15 眶部額中9 -27 -9 -18 海馬 -34.5 -49.5 -3 舌回-24 -88.5 -10.5 枕下回 0 -33 9 楔前葉C-MCI 組數(shù)據(jù)的灰質(zhì)萎縮分析 組和 MCI 組進(jìn)行實(shí)驗(yàn)時(shí)，未矯正的閾值 pValue≤0.0設(shè)定體素集合超過(guò) 50 個(gè)。

貴州大學(xué)碩士學(xué)位論文是使用 xjView 顯示患者和對(duì)照組的差異腦區(qū)，與上一組比，NC-MCI 組的萎縮情況相對(duì)較少，較為嚴(yán)重的區(qū)域。統(tǒng)計(jì)萎縮情況較明顯區(qū)域作為感興趣區(qū)域 ROI，表 3趣區(qū)域的相關(guān)信息。MCI-AD 組數(shù)據(jù)的灰質(zhì)萎縮分析I 和 AD 組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，未矯正的閾值 pValue≤0.001,素集合超過(guò) 50 個(gè)，AD 相對(duì)于 MCI 發(fā)生變化的區(qū)域如域信息如表 3-5 所示。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張延祥;潘海俠;;一種基于區(qū)分能力的多類不平衡文本分類特征選擇方法[J];中文信息學(xué)報(bào);2015年04期

2 梅浪奇;郭建明;劉清;;基于多特征的紋理特征提取方法研究與應(yīng)用[J];交通信息與安全;2015年02期

3 卓芝政;苑桂紅;李海云;;基于VBM-DARTEL的AD腦萎縮特征檢測(cè)方法[J];北京生物醫(yī)學(xué)工程;2014年03期

4 李潤(rùn)輝;;阿爾茲海默病的研究現(xiàn)狀[J];沈陽(yáng)醫(yī)學(xué)院學(xué)報(bào);2013年03期

5 廖一星;潘雪增;;面向不平衡文本的特征選擇方法[J];電子科技大學(xué)學(xué)報(bào);2012年04期

6 何毅;王華麗;蘇敏瑩;袁慧書(shū);李濤;張美燕;于欣;;輕度認(rèn)知損害和阿爾茨海默病的大腦灰質(zhì)體積及其與記憶功能的關(guān)系[J];中國(guó)神經(jīng)精神疾病雜志;2012年07期

7 姚旭;王曉丹;張玉璽;權(quán)文;;特征選擇方法綜述[J];控制與決策;2012年02期

8 張玉芳;王勇;熊忠陽(yáng);劉明;;不平衡數(shù)據(jù)集上的文本分類特征選擇新方法[J];計(jì)算機(jī)應(yīng)用研究;2011年12期

9 秦錦標(biāo);;基于體素的形態(tài)測(cè)量學(xué)在認(rèn)知功能障礙中的應(yīng)用[J];東南大學(xué)學(xué)報(bào)(醫(yī)學(xué)版);2010年04期

10 劉麗;匡綱要;;圖像紋理特征提取方法綜述[J];中國(guó)圖象圖形學(xué)報(bào);2009年04期

本文編號(hào)：2779310