论文部分内容阅读
大脑在发育过程中,其结构和功能均有显著变化。基于磁共振影像(Magnetic Resonance Imaging,MRI)的脑龄预测,为评价大脑发育水平、疾病预防或减缓大脑患病,以及临床诊断治疗,提供大量的有用信息。本研究使用多模态MRI及机器学习方法,预测大脑年龄,旨在评估多模态MRI相关特征的预测性能,以及找到对年龄预测有重要贡献的脑区,并且探究影响年龄预测的一些因素。本研究内容具体如下:1、基于支持向量回归(Support Vector Regression,SVR)和高斯过程回归(Gaussian Process Regression,GPR)的大脑年龄预测。针对大脑静息态功能像和T1加权像多模MRI数据(公开数据集:Nathan Kline Institute-Rockland Sample,被试数505名,年龄6-85岁)采用GPR和SVR来评估七个磁共振影像指标特征及其七个指标组合特征(低频振幅,分数低频振幅,局部一致性,皮层表面积,皮层厚度,平均曲率,灰质体积,和7种指标组合特征)的年龄预测性能:灰质体积和皮层厚度预测效果在所有单个特征中相对较好;低频振幅预测效果要优于局部一致性;而且,局部一致性在预测过程中,起负面作用;多模态特征预测性能优于单个模态特征。针对T1加权像,得到的显著脑区为:颞上沟回,颞中回,岛盖额下回,上岛状沟,中央下回,中央后回,扣带回,额中回,额上回,枕中回,枕上回等。针对功能像特征,得到显著脑区映射图显示额叶,胼胝体等。2、基于偏最小二乘回归(Partial Least Square Regression,PLSR)进行大脑年龄预测。由于GPR和SVR运算复杂度较高,耗时较长,准确率有很大提升空间,且各指标之间有较强相关性,因此我们采用复杂度较低且能处理指标特征之间多重共线问题的PLSR算法评估七个MRI特征及其3种组合特征的年龄预测性能,并且通过权重系数找到显著贡献的脑区,以及探究影响年龄预测的因素。研究结果表明,预测能力从高到低的特征排列顺序为:皮层厚度,七个指标组合特征,T1加权像四个指标组合特征,分数低频振幅,灰质体积,功能像三个指标组合特征,局部一致性,平均曲率,低频振幅和皮层表面积。显著贡献脑区为颞中回,岛状沟,中央沟回,枕下沟回,楔前叶,颞下回,外侧眶沟,胼胝体区域,颞上回,禽距沟等。与基于SVR和GPR算法的结果大体相同,但发现一些新的脑区,如禽距沟,楔前叶,外侧眶沟等。此外,预测准确性随着时间点的长度增加而增加,但是增加比率相对较小。fMRI特征的预测准确性随着被试数量增加而显着提高,直到大约200个,当被试数大于200时,增加比率相对较小。对于T1图像特征,预测精度在78到505个被试的范围内保持相当一致。因此,我们建议无需大量数据即可进行年龄预测。综上,本研究主要表明某些大脑区域在年龄预测中起着至关重要的作用;多模态特征有助于提高年龄预测准确率,但多模态特征预测结果并不一定完全优于单模态特征,也不意味着大量MRI数据可以带来更好的预测效果。