本文關(guān)鍵詞：基于Contourlet提取紋理建立早期AD的高斯過程預(yù)測模型

  更多相關(guān)文章： Contourlet變換 支持向量機(jī) 高斯過程回歸模型 偏最小二乘回歸模型 MCI預(yù)測 預(yù)測模型

【摘要】：背景癡呆(Dementia)是老年人的常見病之一。在全球范圍內(nèi)每7秒鐘新增1個癡呆病例,2010年估計全球3.56千萬人患癡呆,到2030年將增加到6.57千萬,到2050年將增加到11.4千萬。并且有2/3癡呆患者生活在中低收入國家。老年癡呆(AD)則是癡呆中常見的一種,在中國65歲以上老年人AD患病率4.8%(目前我國約600萬AD患者),從出現(xiàn)臨床癥狀至首次確診時間平均大于一年,所以確診時大多已錯過最佳治療階段。故研究早期診斷AD是國內(nèi)外的熱點和難點問題之一。對于AD的早期診斷,通常會尋找合適的生物標(biāo)志物作為輔助診斷的依據(jù)。目前公認(rèn)的的生物標(biāo)志物有5種,其中包括腦萎縮這個特征,是通過核磁共振成像(MRI)所呈現(xiàn)的。國內(nèi)外已有學(xué)者采用腦萎縮這個生物標(biāo)志物進(jìn)行建模預(yù)測早期AD。紋理的引入模型預(yù)測雖有報道,但是提取紋理及模型均比較落后。本項目組前期分別應(yīng)用第一、第二代小波變換以及灰度共生矩陣的方法建立肺癌預(yù)測模型(包括多水平模型,支持向量機(jī),Lasso回歸,決策樹,隨機(jī)森林,人工神經(jīng)網(wǎng)絡(luò),Gradient boosting以及最近鄰分類),其中支持向量機(jī)取得了較好的預(yù)測結(jié)果。目前國內(nèi)外對于提取紋理建立早期AD預(yù)測模型的研究有如下的局限性:所選取紋理值參數(shù)較少,并且一般未結(jié)合腦部形態(tài)學(xué)參數(shù)。預(yù)測模型多為人工神經(jīng)網(wǎng)絡(luò)等,較為落后,且樣本量很少。目的根據(jù)腦部MRI圖像的紋理值參數(shù)以及基于體素形態(tài)學(xué)參數(shù)建立早期預(yù)測模型,發(fā)現(xiàn)關(guān)鍵紋理值,以期提高早期AD以及輕度認(rèn)知障礙(MCI)轉(zhuǎn)化的識別率。方法本次研究共收集299例腦部MRI圖像,包括AD患者58例,MCI患者147例,正常組94例,并且每一個病例都有超過兩年的隨訪。為了比較支持向量機(jī)、高斯過程回歸模型、偏最小二乘回歸模型等3種方法對早期AD的預(yù)測結(jié)果的優(yōu)劣,采用Bootstrap產(chǎn)生模擬數(shù)據(jù),比較納入不同紋理值的各種模型預(yù)測結(jié)果。采用區(qū)域增長法從冠狀位的腦部MRI圖像中分割得到海馬區(qū)域,對分割出的海馬區(qū)域用Contourlet變換處理并且通過灰度共生矩陣計算14個紋理值參數(shù)。采用147例MCI病人作為驗證數(shù)據(jù)集,分別建立AD與MCI轉(zhuǎn)化的預(yù)測模型,計算相應(yīng)的評價指標(biāo)。比較幾種模型對于MRI數(shù)據(jù)預(yù)測效果。通過網(wǎng)站及咨詢影像專家獲得AD組,MCI組以及正常組的人口學(xué)資料、生活環(huán)境因素及神經(jīng)量表評分,基于紋理值和人口學(xué)特征、患病史、并結(jié)合基于體素的形態(tài)學(xué)參數(shù)多維度數(shù)據(jù)集,建立預(yù)測模型。結(jié)果1.基于單因素分析發(fā)現(xiàn):病例年齡在AD組,MCI組合正常組3組病例中差異無統(tǒng)計學(xué)意義(Z=3.45,P=0.64)、病例受教育年數(shù)在3組之間差異沒有統(tǒng)計學(xué)意義(Z=6.45,P=0.85)。量表方面,MMSE,CDR-SB,ADAS在三組中的差異有統(tǒng)計學(xué)意義。病例患病史方面,4種患病史在3組之間差異有統(tǒng)計學(xué)意義;腦部形態(tài)體積參數(shù)方面,有184個形態(tài)體積參數(shù)差異有統(tǒng)計學(xué)意義。紋理方面,有379個紋理值參數(shù)在三組中差異有統(tǒng)計學(xué)意義。2.基于Contourlet變換建立支持向量機(jī),高斯過程,偏最小二乘回歸模型通過各評價指標(biāo)發(fā)現(xiàn),預(yù)測模型中高斯過程回歸模型的預(yù)測效果良好(敏度0.84,特異度0.75,ROC曲線下面積0.84,優(yōu)于支持向量機(jī)預(yù)測效果,不及偏最小二乘回歸模型。3.通過模擬研究以及單因素分析,顯示一下幾種紋理值參數(shù)對模型預(yù)測具有較大貢獻(xiàn)。分別為:Standard Deviation,Homogeneity,Energy,Inertia,Inverse Difference Moment,Correlation,Difference-Mean和Sum-Entropy。4.高斯過程模型對MCI轉(zhuǎn)化的預(yù)測精度達(dá)到82.2%,偏最小二乘為85.5%,支持向量機(jī)為80.3%。結(jié)論1.高斯過程回歸模型可以較準(zhǔn)確預(yù)測早期AD以及MCI轉(zhuǎn)化,預(yù)測效果優(yōu)于支持向量機(jī)。2.紋理值參數(shù)的加入對早期AD的預(yù)測具有積極作用。
【關(guān)鍵詞】：Contourlet變換 支持向量機(jī) 高斯過程回歸模型 偏最小二乘回歸模型 MCI預(yù)測 預(yù)測模型
【學(xué)位授予單位】：首都醫(yī)科大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：R749.16
【目錄】：

• 中文摘要5-7
• 英文摘要7-10
• 引言10-15
• 1 研究目的與意義15
• 2 資料與方法15-29
• 2.1 資料描述15-17
• 2.2 圖像資料17
• 2.3 圖像分割17-18
• 2.4 紋理提取18-20
• 2.4.1 Contourlets變換18-20
• 2.5 患者信息20-21
• 2.6 預(yù)測模型21-25
• 2.6.1 支持向量機(jī)21-23
• 2.6.2 高斯過程回歸模型23-24
• 2.6.3 偏最小二乘回歸模型24-25
• 2.7 模擬研究25-26
• 2.8 評價方法26-29
• 2.8.1 交叉驗證26
• 2.8.2 ROC曲線26-27
• 2.8.3 Matthews相關(guān)系數(shù)27
• 2.8.4 F指數(shù)27-28
• 2.8.5 Youden指數(shù)28
• 2.8.6 Discriminant power（DP）28-29
• 3 研究結(jié)果29-81
• 3.1 模擬分析結(jié)果29-32
• 3.1.1 GPR模型中核函數(shù)的選定29-30
• 3.1.2 不同預(yù)測模型建模效果比較30
• 3.1.3 不同紋理值建模效果比較30-32
• 3.2 實例分析結(jié)果32-81
• 3.2.1 圖像分割32-34
• 3.2.2 變量單因素結(jié)果34-74
• 3.2.3 各模型預(yù)測結(jié)果74-81
• 4 討論81-83
• 5 結(jié)論83-84
• 6 創(chuàng)新性局限性84-85
• 論文參考文獻(xiàn)85-92
• 綜述92-105
• 參考文獻(xiàn)98-105
• 附錄一105-111
• 致謝111-112
• 個人簡介112

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉f ,程敬之;分形模型的超聲圖像紋理分析[J];生物醫(yī)學(xué)工程學(xué)雜志;1999年03期

2 吳天秀;蔡潔;;基于紋理分析的骨質(zhì)疏松計量診斷[J];中國骨質(zhì)疏松雜志;2014年07期

3 張鏡清,孫軍;采用紋理分析特征用于肝臟超聲圖像的病患的辨識[J];中國醫(yī)學(xué)影像技術(shù);1993年03期

4 劉偉;李月卿;;醫(yī)學(xué)圖像紋理分析綜述[J];泰山醫(yī)學(xué)院學(xué)報;2006年01期

5 杜X,童勤業(yè),許俊;基于小波包分解和HMM模型的紋理分析[J];醫(yī)療設(shè)備信息;2003年08期

6 李振立;楊曉梅;;基于紋理分析的帶標(biāo)記線心臟MR圖像分割[J];中國組織工程研究與臨床康復(fù);2011年09期

7 王李冬;邰曉英;巴特爾;;基于小波變換紋理分析的醫(yī)學(xué)圖像檢索[J];中國醫(yī)療器械雜志;2006年02期

8 黃亞麗,李芬華,趙真;B超肝臟圖像紋理特征提取方法的實驗研究[J];中國醫(yī)學(xué)影像技術(shù);2004年12期

9 羅立民，鮑旭東，田雪芹;基于紋理分析的磁共振圖象區(qū)域分割[J];自動化學(xué)報;1995年04期

10 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前8條

1 徐國棟;郭恒業(yè);;統(tǒng)計紋理生成模型[A];中國科學(xué)技術(shù)協(xié)會首屆青年學(xué)術(shù)年會論文集（工科分冊·上冊）[C];1992年

2 盧海燕;陳明;孫梅;宋樹良;馬艷;鄭傳立;;肝纖維化超聲圖像紋理分析與組織學(xué)檢查對照研究[A];第二屆長三角超聲醫(yī)學(xué)論壇暨2009年浙江省超聲醫(yī)學(xué)學(xué)術(shù)年會論文匯編[C];2009年

3 楊關(guān);馮國燦;鄒小林;劉志勇;;彩色紋理分析中的高斯圖模型[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

4 熊欣;何中市;;紋理分析在超聲圖像中的應(yīng)用[A];2008年計算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

5 姚明海;應(yīng)宏微;;基于反饋的汽車牌照紋理分析定位算法的研究[A];第二十三屆中國控制會議論文集（下冊）[C];2004年

6 黃戰(zhàn)華;劉正;張振;蔡懷宇;楊基春;張尹馨;;基于矢量化方法的紋理缺陷快速檢測[A];2008中國儀器儀表與測控技術(shù)進(jìn)展大會論文集（Ⅰ）[C];2008年

7 管玉娟;王淑晴;關(guān)澤群;;紋理分析的條件模式譜方法[A];第十四屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2003年

8 劉佳;李哲英;王淑英;;路標(biāo)識別算法研究[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國青年通信學(xué)術(shù)會議論文集（下）[C];2008年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 高妮;基于Contourlet提取紋理建立早期AD的高斯過程預(yù)測模型[D];首都醫(yī)科大學(xué);2016年

2 張國鵬;三維紋理分析在虛擬結(jié)腸鏡計算機(jī)輔助檢測/診斷中的應(yīng)用研究[D];第四軍醫(yī)大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 陳金霞;快速粒度估計法在紋理分析中的應(yīng)用研究[D];華南理工大學(xué);2015年

2 劉W，

本文編號：583710