论文部分内容阅读
近年来,我国老龄化问题日趋严重,阿尔茨海默病(AD)和轻度认知障碍(MCI)患者也越来越多,MCI是AD的早期过程,该病是一种神经退行性疾病,目前的医疗手段还无法完全治愈这种疾病,但是如果能对其进行早期诊断,并配合药物干预可以缓解病情的发展。目前的诊断方法主要依靠有经验的阅片医生通过分析患者的脑结构磁共振(MRI)图像判断患者的病情,这样的方法不仅耗时耗力,而且存在着很强的主观性,可能导致误诊。计算机辅助诊断将有助于提高诊断准确率,减少工作量。随着机器学习技术的不断发展,特征选择方法已经应用在各个领域的研究中,特征选择方法在医学辅助诊断领域也取得了一定的效果,但由于医学影像特征众多,已有的方法无法直接用于医学诊断中。为此,本文提出了一种基于经验判断的启发式搜索(HS-EJ)特征选择模型,对MRI数据中大量的信息进行筛选,提取有用特征,用于MCI、AD的辅助诊断。主要研究工作如下:(1)收集MCI、AD患者和健康正常人(NC)的脑结构MRI图像,并对其进行预处理,提取出三组被试的灰质、白质以及脑脊液的体积特征。(2)构建HS-EJ特征选择模型:首先对原始的体积数据分别进行显著性分析和logistic回归分析,依据显著性水平和回归系数分别进行排序,剔除分类效果差的特征;然后按照顺序向前搜索策略,依次将分类特征加入SVM分类器,选择分类准确率最高的特征集作为最优特征集;通过对比,从两组最优特征集中选择出更优的特征集。(3)对比HS-EJ特征选择模型与显著性分析过滤模型、logistic回归分析过滤模型、SVM分类器封装模型、主成分分析模型的特征选择效果。(4)利用多元线性回归对得到的最优特征子集进一步约简,将多特征合并成一个联合特征,利用ROC曲线对比联合特征与其他单一特征的分类效果。对比HS-EJ特征选择模型与其他特征选择模型得到的分类特征数和分类准确率,得出结论:HS-EJ进行特征选择显著提高了NC-MCI-AD两两分类准确率,对于MCI、AD的早期诊断有一定的临床意义。