人腦是自然界中最復雜的系統(tǒng)之一,是由數(shù)以億計的神經(jīng)元所構成的復雜而龐大的網(wǎng)絡,是進行信息處理和認知表達的生理基礎。近年來,復雜網(wǎng)絡理論被引入腦科學研究中,研究者將其表示為一個圖,使用復雜網(wǎng)絡和圖論的知識從不同角度分析腦網(wǎng)絡,并取得了長足發(fā)展,為人腦的研究提供新的方法和手段。但是,在腦網(wǎng)絡的構建和分析中仍存在一些關鍵問題需要解決。首先目前基于閾值的腦網(wǎng)絡構建方法受閾值選擇的影響,使得網(wǎng)絡的可比性下降,同時也使得分析結果出現(xiàn)不一致;其次,如何挖掘到最優(yōu)的屬性和結構特征識別腦網(wǎng)絡,如何較準確的計算腦網(wǎng)絡的相似度用于腦網(wǎng)絡之間的聚類也是急需解決的問題。本文基于復雜網(wǎng)絡理論和圖論知識,探討腦網(wǎng)絡節(jié)點中心性的評價方法;針對閾值網(wǎng)絡帶來的分析結果偏差,探討無偏腦網(wǎng)絡的構建方法;在此基礎上對復雜網(wǎng)絡指標進行組間比較,以期發(fā)現(xiàn)疾病狀態(tài)下腦網(wǎng)絡各指標的變化規(guī)律,構建分類模型;此外,從社團結構的角度,分析組間存在的差異,并在此基礎上測量腦網(wǎng)絡之間的相似度,使用無監(jiān)督學習方法,構建聚類模型。最后,將上述方法應用到阿爾茨海默癥,分析阿爾茨海默癥患者與正常對照組腦網(wǎng)絡之間的差異,挖掘阿爾茨海默癥診斷的影像學指標輔助臨床診斷。本文主要創(chuàng)新工作包括:(1)提出一種基于度和k-core的節(jié)點中心性測量方法并用于閾值腦網(wǎng)絡的分類復雜網(wǎng)絡理論中,提供了許多節(jié)點中心性測量方法,但是這些方法從各自不同的,單一的角度來衡量節(jié)點中心性。研究發(fā)現(xiàn),單一的測量方法不能準確的測量節(jié)點中心性。針對這個問題,本文提出將度和k-core中心性相結合用于測量腦網(wǎng)絡的節(jié)點中心性,隨后在閾值腦網(wǎng)絡中計算每個節(jié)點的中心性,以中心性為特征,對阿爾茨海默癥患者與正常對照組閾值腦網(wǎng)絡進行分類。(2)提出無偏腦網(wǎng)絡拓撲結構差異性分析方法,并構建分類模型為了避免傳統(tǒng)閾值網(wǎng)絡中閾值選擇對網(wǎng)絡結構的影響,本文引入最小生成樹偏差校正方法構建了無偏腦網(wǎng)絡,在此基礎上分析網(wǎng)絡拓撲結構存在的差異,利用核主成分分析方法捕獲差異并構建阿爾茨海默癥分類模型。(3)提出局部屬性和拓撲結構特征相結合的無偏腦網(wǎng)絡分類模型腦網(wǎng)絡在屬性和結構兩種特征上均表現(xiàn)出顯著的差異性,不同的特征提供不同的信息,考慮到多種特征可能反映了多種互補信息,因此,本文在無偏腦網(wǎng)絡的基礎上,提取其在局部屬性和拓撲結構兩方面的特征,利用合成核將兩種不同的特征進行融合,并構建阿爾茨海默癥分類模型。(4)提出一種腦網(wǎng)絡相似性度量方法并構建聚類模型當訓練數(shù)據(jù)被賦予正確的標簽并且選擇了最優(yōu)特征時,分類性能通常很好。但是從大量的數(shù)據(jù)中提取和選擇最優(yōu)的特征是很費時的。此外,訓練數(shù)據(jù)的標簽主要依賴于臨床醫(yī)生的診斷,因此,臨床醫(yī)生將花費大量的時間和精力來標記數(shù)據(jù)。為了減少標記數(shù)據(jù)的工作量,本文提出一種利用余弦相似度和子網(wǎng)絡核來度量腦網(wǎng)絡相似度的方法,并使用譜聚類構建腦網(wǎng)絡聚類模型識別阿爾茨海默癥患者。
【學位單位】：太原理工大學
【學位級別】：博士
【學位年份】：2019
【中圖分類】：O157.5;R749.16
【部分圖文】：

= [ g1 g]使用 Weisfeiler-Lehman(WL)子樹核函數(shù)，計算核矩陣 K；計算核矩陣 K 的特征值 1， 2， ， 和特征向量ν1，ν2， ，確定 m，使圖特征信息的覆蓋率達到 90%以上。確定方法為求特1，2， ， ；當 ≥ 90%，則選取 m 個主成分α1，α2， 估 m 不同取值對分類性能的影響，我們在 m 取 7 個不同的值（分12，14）時，執(zhí)行 MCI 分類任務，其分類結果如圖 3-2 所示。該=7 或 8，MCI 和 NC 的分類精度最高。此時，m 正好滿足公式∑ i 1是網(wǎng)絡數(shù))。因此，在核主成分分析中，我們選用特征值較大的前 m 滿足公式∑ i 10 9 ∑ ni 1(n 是網(wǎng)絡數(shù))時，特征將包含

太原理工大學博士研究生學位論文繁子圖（支持度設置為 0.7）。圖 3-3 描述了 MCI、AD 和 NC 的頻繁子征選擇中，首先計算頻繁子圖的頻率差，表 3-5、表 3-6 和表 3-7 分C 組、MCI 與 NC 組以及 MCI 與 AD 組頻繁子圖的頻率差，并且選擇子圖作為判別性子圖，表中判別子圖粗體顯示。圖 3-4、圖 3-5 和圖 3C 組、MCI 與 NC 組以及 MCI 與 AD 組的最具判別性的腦區(qū)。

AD與NC組顯著性差異腦區(qū)Fig.3-4BrainregionswithsignificantdifferencebetweenADandNC
【參考文獻】

相關期刊論文 前2條

1 趙彬;商秀麗;何志義;范國光;劉虎;;阿爾茨海默病的靜息態(tài)功能磁共振成像低頻振幅研究[J];中國醫(yī)科大學學報;2012年04期

2 梁夏;王金輝;賀永;;人腦連接組研究:腦結構網(wǎng)絡和腦功能網(wǎng)絡[J];科學通報;2010年16期

本文編號：2862357