论文部分内容阅读
阿尔兹海默症(Alzheimers Disease,AD)是一种慢性神经退行性疾病,多发于老年群体,症状表现为记忆力衰退、语言障碍、认知障碍等,严重影响患者的生活自理能力,给患者家庭带来沉重负担。当今世界人口老龄化进程不断加快,阿尔兹海默症(AD)已经成为影响全世界老年人健康的主要疾病之一。目前,AD的发病原因尚不明确,现有的药物只能缓解症状或减缓其进展。AD的分类与预测有助于在AD早期阶段及时采取针对性的治疗和干预措施,对降低老年群体的AD发病率和延缓AD疾病进展具有重要意义。
AD的分类任务是指正常个体(Normal Cognitive,NC)与阿尔兹海默症(AD)患者之间的分类,而AD的预测任务是指预测轻度认知障碍(Mild Cognitive Impairment,MCI)患者在未来一段时间内是否会转变为阿尔兹海默症(AD)患者。本论文基于磁共振成像数据,研究机器学习在阿尔兹海默症(AD)分类与预测中的应用。
本论文首先研究阿尔兹海默症(AD)的分类与预测方法。应用密集连接的思想对深度前馈网络(Deep Feedforward Network,DFN)模型进行改进,构建密集深度前馈网络(Densely Connected Deep Feedforward Network,DCDFN)模型。采用基于FSL的特征提取方法提取密度图组织与皮层下结构的体积特征,并结合年龄与性别特征,提出基于密集深度前馈网络(DCDFN)的AD分类与预测方法。在ADNI数据集上采用5折交叉验证法进行性能评估,实验结果表明采用的基于FSL的特征提取方法是有效的,所提出的DCDFN性能优于传统机器学习分类模型,且增加年龄和性别特征能有效提高AD分类与预测的正确率。
本论文还研究适用于AD分类的特征选择方法。提出一种累计加权的多准则融合特征选择方法,对基于过滤法(Filter)、包装法(Wrapper)和嵌入法(Embedded)的三大类共计10种不同的特征选择方法的评价结果进行归一化,采用累计加权特征重要性评分评价特征的重要性,依据给定的特征重要性占比阈值选取特征。在TADPOLE数据集上进行了特征重要性分析和特征选择实验。实验结果表明提出的特征选择方法是有效的,不同分类器模型对应的最优特征重要性占比阈值不同,采用所提出的特征选择方法,DCDFN在AD分类上的性能要优于传统的分类模型。
AD的分类任务是指正常个体(Normal Cognitive,NC)与阿尔兹海默症(AD)患者之间的分类,而AD的预测任务是指预测轻度认知障碍(Mild Cognitive Impairment,MCI)患者在未来一段时间内是否会转变为阿尔兹海默症(AD)患者。本论文基于磁共振成像数据,研究机器学习在阿尔兹海默症(AD)分类与预测中的应用。
本论文首先研究阿尔兹海默症(AD)的分类与预测方法。应用密集连接的思想对深度前馈网络(Deep Feedforward Network,DFN)模型进行改进,构建密集深度前馈网络(Densely Connected Deep Feedforward Network,DCDFN)模型。采用基于FSL的特征提取方法提取密度图组织与皮层下结构的体积特征,并结合年龄与性别特征,提出基于密集深度前馈网络(DCDFN)的AD分类与预测方法。在ADNI数据集上采用5折交叉验证法进行性能评估,实验结果表明采用的基于FSL的特征提取方法是有效的,所提出的DCDFN性能优于传统机器学习分类模型,且增加年龄和性别特征能有效提高AD分类与预测的正确率。
本论文还研究适用于AD分类的特征选择方法。提出一种累计加权的多准则融合特征选择方法,对基于过滤法(Filter)、包装法(Wrapper)和嵌入法(Embedded)的三大类共计10种不同的特征选择方法的评价结果进行归一化,采用累计加权特征重要性评分评价特征的重要性,依据给定的特征重要性占比阈值选取特征。在TADPOLE数据集上进行了特征重要性分析和特征选择实验。实验结果表明提出的特征选择方法是有效的,不同分类器模型对应的最优特征重要性占比阈值不同,采用所提出的特征选择方法,DCDFN在AD分类上的性能要优于传统的分类模型。