本文關鍵詞：基于神經影像的進展型輕度認知功能障礙識別研究

  更多相關文章： 輕度認知功能障礙 支持向量機 隨機投影 遺傳算法 集成學習

【摘要】：輕度認知功能障礙(MCI)是對阿爾茨海默病(AD)進行預防和治療的最佳時期。但是并不是所有的MCI患者都會進展為AD。要想在MCI時期給予有效的預防干預措施,就必須能夠有效地識別和區(qū)分進展型MCI患者(MCI-C)和非進展型MCI患者(MCI-NC)。因此,本文最終從ADNI數(shù)據(jù)庫中獲取了64個研究對象(其中有32個MCI-C和32個MCI-NC)的磁共振圖像(MRI)和正電子發(fā)射斷層掃描(PET)數(shù)據(jù)進行研究,以期能夠建立性能良好分類模型。1)圖像預處理。從ADNI數(shù)據(jù)庫中獲取了MCI患者的基本信息,在研究對象的選擇上應用控制變量的方法,使MCI-C和MCI-NC樣本在年齡上盡量對等。在MRI和PET圖像的處理上每一步都嚴格執(zhí)行,具體的處理步驟有頭動校正、分割和標準化以及圖像平滑等。2)各腦區(qū)灰質體素值的獲取。本文利用SPM8、WFU、Get-totals等工具制作AAL的大腦分區(qū)的90個腦區(qū)的模板以及獲取相應腦區(qū)灰質值的方法。最終獲取了研究所需的64×180維的數(shù)據(jù)(其中包括從MRI獲取的64×90維數(shù)據(jù)和從PET圖像獲取的64×90維的數(shù)據(jù))。3)基于多核融合的進展型輕度認知功能障礙識別。本文應用獲取的數(shù)據(jù),從單模態(tài)特征分類結果可知,應用PET模態(tài)信息在MCI-C和MCI-NC之間分類的分類效果要比用MRI的分類效果較好�？紤]到不同的模態(tài)信息對分類性能的補充效果和貢獻率不同,又將這兩個模態(tài)的信息進行融合,并且利用遺傳算法啟發(fā)式搜索功能,尋找兩個模態(tài)信息的最佳權重值,再結合支持向量機進行分類識別。結果表明,在對MCI-C與MCI-NC分類識別的問題中,基于遺傳算法的多核融合分類方法,在準確率、敏感度和特異性上相較于單模態(tài)方法均有所提高。4)基于集成學習的進展型輕度認知功能障礙識別。應用了隨機投影降維方法對獲取的64×180維的數(shù)據(jù)進行降維處理,然后應用于二級集成分類器中。實驗結果表明,本文使用二級集成分類器方法實現(xiàn)的分類準確率為74.22%,敏感度為66.25%,特異性為82.19%。相對于現(xiàn)有的相似工作,本文實現(xiàn)了在MCI-C和MCI-NC分類中的性能提升。
【關鍵詞】：輕度認知功能障礙 支持向量機 隨機投影 遺傳算法 集成學習
【學位授予單位】：安徽工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R749.16;TP391.41
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-13
• 1.1 阿爾茨海默病的研究現(xiàn)狀9
• 1.2 輕度認知功能障礙的研究現(xiàn)狀及意義9-10
• 1.3 基于數(shù)據(jù)挖掘的醫(yī)學圖像分類10
• 1.4 本文的研究意義及克服的難點10-11
• 1.5 本文的研究內容與結構11-13
• 第二章 圖像預處理13-24
• 2.1 研究對象的獲取及分析13
• 2.2 相關生物標志物13-15
• 2.2.1 核磁共振圖像MRI14
• 2.2.2 正電子發(fā)射斷層掃描成像PET14-15
• 2.3 圖像預處理過程及結果15-23
• 2.3.1 頭動校正16-18
• 2.3.2 組織分割和空間標準化18-22
• 2.3.3 空間平滑22-23
• 2.4 總結23-24
• 第三章 各個腦區(qū)灰質體素值的獲取24-31
• 3.1 XjView中各腦區(qū)體素值的獲取24-25
• 3.2 利用模板對AAL分區(qū)的各腦區(qū)灰質體素值的獲取25-30
• 3.2.1 AAL模板分區(qū)26-28
• 3.2.2 模板的制作28-29
• 3.2.3 灰質體素值的獲取29-30
• 3.3 總結30-31
• 第四章 基于多核融合的進展型輕度認知功能障礙識別31-49
• 4.1 支持向量機方法概述31-34
• 4.1.1 線性最優(yōu)分類超平面31-33
• 4.1.2 特征空間與核函數(shù)33-34
• 4.2 遺傳算法34-40
• 4.2.1 編碼34-36
• 4.2.2 選擇36-37
• 4.2.3 交叉和變異37-38
• 4.2.4 適應度函數(shù)38-39
• 4.2.5 遺傳算法的基本流程39-40
• 4.3 交叉驗證40-41
• 4.4 標準化方法41-42
• 4.5 多核融合分類42-48
• 4.5.1 基于遺傳算法的核融合方法43-44
• 4.5.2 單模態(tài)數(shù)據(jù)分類結果44-46
• 4.5.3 雙模態(tài)數(shù)據(jù)融合分類結果46-48
• 4.6 總結48-49
• 第五章 基于集成學習的進展型輕度認知功能障礙識別49-60
• 5.1 特征降維方法49-50
• 5.1.1 主成分分析方法49
• 5.1.2 隨機投影降維方法49-50
• 5.2 集成學習方法50-54
• 5.2.1 Boosting算法51-52
• 5.2.2 Bagging算法52-53
• 5.2.3 Stacking算法53-54
• 5.3 二級集成學習分類器54-59
• 5.3.1 二級集成學習分類方法54-55
• 5.3.2 特征降維維數(shù)的選擇55-56
• 5.3.3 二級集成分類器的實驗結果與分析56-59
• 5.4 總結59-60
• 第六章 總結與展望60-62
• 參考文獻62-66
• 在校研究成果66-67
• 致謝67-68
• 附錄一 插圖清單68-70
• 附錄二 表格清單70

【相似文獻】

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 關菁華;劉大有;賈海洋;;自適應多分類器集成學習算法[A];第二十五屆中國數(shù)據(jù)庫學術會議論文集（二）[C];2008年

2 劉伍穎;王挺;;一種多過濾器集成學習垃圾郵件過濾方法[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

3 葉紅云;倪志偉;陳恩紅;;一種混合型集成學習演化決策樹算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機集成的故障診斷[A];第16屆中國過程控制學術年會暨第4屆全國故障診斷與安全性學術會議論文集[C];2005年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 阿里木·賽買提(Alim.Samat);基于集成學習的全極化SAR圖像分類研究[D];南京大學;2015年

2 王永明;集成回歸問題若干關鍵技術研究[D];華東師范大學;2015年

3 常征;基于混合集成學習的眼部與四肢交互動作建模與識別[D];北京科技大學;2016年

4 張春霞;集成學習中有關算法的研究[D];西安交通大學;2010年

5 劉天羽;基于特征選擇技術的集成學習方法及其應用研究[D];上海大學;2007年

6 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學習研究[D];武漢大學;2012年

7 王清;集成學習中若干關鍵問題的研究[D];復旦大學;2011年

8 方育柯;集成學習理論研究及其在個性化推薦中的應用[D];電子科技大學;2011年

9 侯勇;特征提取與集成學習算法的研究及應用[D];北京科技大學;2015年

10 李燁;基于支持向量機的集成學習研究[D];上海交通大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 高偉;基于半監(jiān)督集成學習的情感分類方法研究[D];蘇州大學;2015年

2 宋文展;基于抽樣的集成進化算法研究[D];廣西大學;2015年

3 湯瑩;遷移與集成學習在文本分類中的應用研究[D];江蘇科技大學;2015年

4 劉政;基于知識元和集成學習的中文微博情感分析[D];大連理工大學;2015年

5 丘橋云;結合文本傾向性分析的股評可信度計算研究[D];哈爾濱工業(yè)大學;2014年

6 秦海;融合非標記樣本選擇的集成學習研究[D];湘潭大學;2015年

7 李想;基于多示例的集成學習理論與應用研究[D];合肥工業(yè)大學;2014年

8 李震宇;基于集成學習的數(shù)字圖像隱寫定量分析[D];解放軍信息工程大學;2014年

9 王希玲;基于選擇性集成學習的網絡入侵檢測方法研究[D];青島科技大學;2016年

10 陳范曙;基于信息整合的藥物相關信息挖掘方法研究[D];華東師范大學;2016年

，

本文編號：879113