本文關(guān)鍵詞：基于Joint ICA算法的阿爾茨海默病輔助診斷研究

  更多相關(guān)文章： jointICA 阿爾茨海默病 MRI PET

【摘要】：阿爾茨海默病（AD），是在老年人群中最常見(jiàn)的神經(jīng)退行性疾病。在我國(guó)，隨著人口老齡化進(jìn)程逐漸加快，AD的發(fā)病率也呈現(xiàn)上升趨勢(shì)，將對(duì)未來(lái)經(jīng)濟(jì)形成潛在影響。目前，與核磁共振圖像（MRI）、正電子斷層掃描（PET）等成像技術(shù)相關(guān)的研究方法已日趨成熟，針對(duì)大腦解剖學(xué)結(jié)構(gòu)變化以及生理代謝變化的研究成為診斷AD的關(guān)鍵。 獨(dú)立成分分析（ICA）作為一種新的數(shù)據(jù)處理方法，可以從一系列的測(cè)量或觀察數(shù)據(jù)中獲得隱藏的混合線性獨(dú)立成分，近幾年被廣泛用于醫(yī)學(xué)圖像領(lǐng)域。無(wú)論對(duì)于MRI還是PET圖像，ICA都獲得較多應(yīng)用。對(duì)于單一模態(tài)的醫(yī)學(xué)圖像，通過(guò)ICA方法可以分離出不同獨(dú)立成分，并對(duì)每個(gè)成分進(jìn)行分析。如果需要對(duì)多種模態(tài)進(jìn)行分析，ICA方法就無(wú)法獲得不同模態(tài)圖像之間的聯(lián)系。本課題采用改進(jìn)的ICA方法，即joint ICA算法，對(duì)兩種模態(tài)圖像進(jìn)行聯(lián)合獨(dú)立成分分析，其中，灰質(zhì)（GM）圖像屬于大腦結(jié)構(gòu)圖像，可以通過(guò)分析獲取灰質(zhì)體積變化，而氟代脫氧葡萄糖PET（FDG-PET）圖像可以提供大腦代謝信息。采用joint ICA算法不僅可以獲得每種模態(tài)圖像單獨(dú)的成分信息，同時(shí)還可以獲得灰質(zhì)萎縮與代謝變化之間的關(guān)聯(lián)信息。 本課題的原始圖像數(shù)據(jù)來(lái)源于阿爾茨海默病神經(jīng)影像公共數(shù)據(jù)庫(kù)（ADNI），使用基于Matlab的SPM8工具箱對(duì)采集圖像進(jìn)行預(yù)處理，并將三年的圖像數(shù)據(jù)轉(zhuǎn)換為變化率圖像進(jìn)行joint ICA相關(guān)運(yùn)算，最終得到關(guān)聯(lián)的獨(dú)立成分信息，并映射到大腦標(biāo)準(zhǔn)模板圖像中便于觀察分析。通過(guò)對(duì)結(jié)果的分析發(fā)現(xiàn)：在認(rèn)知健康（HC）與輕度認(rèn)知障礙（MCI）兩個(gè)不同階段，其灰質(zhì)萎縮與代謝變化之間的關(guān)聯(lián)圖像形態(tài)具有明顯不同，相對(duì)于HC階段，，變化速率及變化面積在MCI階段均出現(xiàn)增長(zhǎng)，且變化區(qū)域也具有差異性。而對(duì)于每個(gè)階段的Aβ+（β淀粉樣蛋白非正常水平）與Aβ-（β淀粉樣蛋白正常水平）兩個(gè)不同分組，腦部變化同樣具有差異性。 本課題的研究意義與創(chuàng)新點(diǎn)主要為：①采用joint ICA聯(lián)合分析方法可以獲得多模態(tài)圖像間的關(guān)聯(lián)信息，相比于對(duì)兩種模態(tài)圖像分別進(jìn)行獨(dú)立成分分析的傳統(tǒng)分析方法，聯(lián)合分析的優(yōu)勢(shì)在于結(jié)合兩種不同圖像間的關(guān)聯(lián)信息，可以提供更多AD早期階段患病風(fēng)險(xiǎn)判斷的依據(jù)，進(jìn)而增加診斷的準(zhǔn)確性。②由于目前缺少相關(guān)縱向分析研究，因此本課題的縱向研究特別是兩種圖像模態(tài)的聯(lián)合縱向分析對(duì)了解早期AD的腦部變化情況及規(guī)律具有重要意義。
【關(guān)鍵詞】：jointICA 阿爾茨海默病 MRI PET
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP391.41;R749.16
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 1 緒論8-13
• 1.1 課題研究背景及來(lái)源8
• 1.2 阿爾茨海默病的初期診斷8-9
• 1.3 神經(jīng)成像技術(shù)9-11
• 1.3.1 MR 成像技術(shù)10
• 1.3.2 PET 成像技術(shù)10-11
• 1.4 國(guó)內(nèi)外研究現(xiàn)狀11
• 1.5 本文所完成的工作與內(nèi)容安排11-13
• 2 圖像預(yù)處理13-21
• 2.1 圖像校正13-14
• 2.1.1 部分容積效應(yīng)校正13-14
• 2.2 圖像配準(zhǔn)14-15
• 2.3 腦部圖像模板與標(biāo)準(zhǔn)化15-17
• 2.3.1 神經(jīng)圖像坐標(biāo)空間15-16
• 2.3.2 腦區(qū)圖集與模板16-17
• 2.3.3 空間標(biāo)準(zhǔn)化17
• 2.4 圖像濾波17-18
• 2.5 數(shù)據(jù)降維18
• 2.6 SPM 統(tǒng)計(jì)參數(shù)圖18-20
• 2.6.1 VBM 算法19-20
• 2.6.2 DARTEL 算法20
• 2.7 本章小結(jié)20-21
• 3 ICA 算法21-30
• 3.1 概述21-22
• 3.2 ICA 的理論基礎(chǔ)22-23
• 3.2.1 ICA 的數(shù)學(xué)模型22
• 3.2.2 ICA 的約束22-23
• 3.3 ICA 估計(jì)方法23-26
• 3.3.1 非高斯的最大化23-25
• 3.3.2 極大似然估計(jì)25
• 3.3.3 互信息的最小化25-26
• 3.4 ICA 預(yù)處理26
• 3.4.1 信號(hào)的中心化26
• 3.4.2 信號(hào)的白化26
• 3.5 ICA 的優(yōu)化算法26-29
• 3.5.1 Infomax 算法27-28
• 3.5.2 Fast ICA 算法28-29
• 3.5.3 聯(lián)合逼近對(duì)角化特征矩陣(JADE)算法29
• 3.6 本章小結(jié)29-30
• 4 Joint ICA 算法應(yīng)用于多模態(tài)圖像聯(lián)合分析30-52
• 4.1 研究背景與相關(guān)統(tǒng)計(jì)學(xué)方法30-32
• 4.1.1 研究背景30
• 4.1.2 統(tǒng)計(jì)學(xué)方法30-32
• 4.2 圖像采集32-33
• 4.3 圖像預(yù)處理33-37
• 4.3.1 MRI 圖像的預(yù)處理33-35
• 4.3.2 FDG-PET 圖像的預(yù)處理35-36
• 4.3.3 變化率圖像36-37
• 4.4 基于 joint ICA 的 MRI 與 PDG-PET 聯(lián)合分析37-40
• 4.4.1 Joint ICA 算法37-38
• 4.4.2 Joint ICA 用于聯(lián)合分析38-40
• 4.5 實(shí)驗(yàn)結(jié)果40-50
• 4.5.1 獨(dú)立成分分析與組間 t 檢驗(yàn)40-45
• 4.5.2 Joint ICA 算法與傳統(tǒng) ICA 算法的多模態(tài)分析結(jié)果比較45-47
• 4.5.3 多模態(tài)與單模態(tài)的空間離散度比較47-48
• 4.5.4 個(gè)體與組間交叉對(duì)比48-50
• 4.6 討論分析50-51
• 4.7 本章小結(jié)51-52
• 5 總結(jié)與展望52-54
• 5.1 課題總結(jié)52
• 5.2 下一步研究方向52-54
• 致謝54-55
• 參考文獻(xiàn)55-61
• 附錄61
• A. 作者在攻讀碩士學(xué)位期間參與課題及成果61

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 宋沂鵬;孔薇;夏斌;;基于ICA的AD樣本的相關(guān)基因研究[J];電子設(shè)計(jì)工程;2010年09期

2 郭武;張鵬;王潤(rùn)生;;獨(dú)立分量分析及其在圖像處理中的應(yīng)用現(xiàn)狀[J];計(jì)算機(jī)工程與應(yīng)用;2008年23期

3 李可,閆鑌,單保慈;功能磁共振圖像處理的ICA方法綜述[J];中國(guó)圖象圖形學(xué)報(bào);2005年05期

本文編號(hào)：604117