论文部分内容阅读
阿尔兹海默症(Alzheimer disease,AD)的诊断一直是生物医学疾病学领域的研究热点。目前,国内外研究人员在进行AD分析时,通常通过简易智能精神状态量表(Mini-Mental State Examination,MMSE)对受试者进行评分,分析其患病程度,或者通过磁共振图像(Magnetic Resonance Imaging,MRI)进行AD诊断。对于MMSE,不同种族人群的评分标准存在差异,对于MRI,信息只能通过图像获取。本研究提出了在基于TI加权脑区MRI图像信息的基础上,加入磁共振波谱(Magnetic Resonance spectroscopy,MRS)、年龄和性别数据,利用深度学习技术进行分类建模,并探究MRS数据加入对AD分类影响。通过T检验(Student’s t test)和创新提出“神经网络节点刺激法”筛选出关键数据进行建模,提高模型对AD的分类精度。将筛选出的数据分别与MMSE进行相关性分析,验证筛选出的数据为研究AD的关键数据。论文的主要研究内容包括:(1)提出了将脑区MRI多模态信息和MRS信息相融合的建模方式进行AD分类建模的方法。通过MRI图像的多图谱脑分割技术和MEGA-PRESS技术对脑区多个结构体素和MRS代谢物浓度进行提取。使用支持向量机(Support Vector Machine,SVM)进行建模,实验结果显示MRS数据的加入使模型的AUC值从0.7607提高到0.8,有效提高了模型的分类性能,且分类准确率为88.9%。(2)设计基于堆叠自动编码器(Stacked Auto-encoder,SAE)的深度神经网络进行建模,实验结果证明MRS数据的加入有效提高了模型对AD的分类精度。模型的平均误差由之前的0.0580减小到0.0111,AUC值为0.9750。(3)提出基于MRI数据和MRS数据的分析方法。通过T检验对模型的MRI、MRS、年龄和性别数据进行组间差异分析,筛选出与AD具有较大联系的关键数据,进一步提高模型对AD的分类精度。创新提出“神经网络节点刺激法”对模型的MRI、MRS、年龄和性别数据进行降维分析,筛选出对AD具有较大影响的数据,并进行建模,进一步提高模型对AD的分类精度。(4)将T检验筛和“神经网络节点刺激法”筛选出的数据分别与MMSE进行相关性分析。即线性回归分析,得到相关性系数R值,经过数据分析对比,证明包括海马区和杏仁核等脑区结构,以及位于顶叶的MRS数据γ-氨基丁酸(γ-aminobutyric acid,GABA)是真实的与AD具有重要联系的数据。