论文部分内容阅读
随着医学影像(MedicalImaging)、图像处理(ImageProcessing)、计算机视觉(ComputerVision)和模式识别(PatternRecognition)等技术的飞速发展,计算机辅助技术在医学领域的应用得到广泛重视。功能性磁共振成像(functionalMagneticResonanceImaging,fMRI)技术的出现,使人类可以在无损大脑的情况下对人脑展开更为深入的研究。将图像处理及模式识别等方法应用到fMRI数据分析中,实现对疾病的辅助诊断,将大大提高医生诊断的正确率和效率,具有重要意义和实用价值。 本文对功能性磁共振成像数据的信号去噪、特征提取与选择、分类识别等问题进行了研究,主要内容包括:1)对刺激态功能性磁共振数据BOLD信号的去噪过程进行了研究;2)研究利用主成分分析和支持向量机对两类人群静息态下功能性磁共振数据的脑功能连接矩阵特征进行特征提取和模式分类,对基于模式分类技术的疾病诊断进行了探索,并对精神分裂症(Schizophrenia,SZ)患者进行了识别仿真;3)利用成组独立成分分析方法,提取出每个被试的成组独立成分,结合特征融合、主成分分析特征降维和支持向量机对患病和健康两类人群功能性磁共振数据进行分析,得到异常脑网络,获得精神分裂症诊疗的影像指标脑区;4)针对传统PCA等滤波法(filterapproach)特征提取方法的不足,借鉴递归特征删除思想(RecursiveFeatureElimination,RFE),给出了一种基于随机森林算法的特征选择方法,将该方法应用于对实验数据模式分类研究。从实验结果看,该分类模型具有较高的精度,并提高了识别率。 本文应用数据驱动模式识别技术,对fMRI数据进行分析,阐述了如何从模式分类的角度提取磁共振图像病理信息,为脑部精神类疾病的自动识别提供了新的思路和方法。