核磁共振成像技术在脑组织结构及其功能成像中有着广泛的应用,相关方法繁多、特征丰富、适用疾病广泛。但从临床磁共振技术的诸多方法与不同应用中,如何探索出更加适用于脑疾病临床诊断分类的成像与分析方法,一直是悬而未决的课题,值得进行系统性的研究分析。本文研究目的是分析多种磁共振影像模态、多中心多疾病数据下多种特征提取、特征选择方法和多种分类器实际应用在临床诊断中的表现和特性,并基于上述经验和定性分析提出适合脑影像模式识别的新型特征提取算法“随机结构稀疏算法”,重点从多角度分析各类神经科学与临床诊断问题中模式识别的实际效果并提出自己的优化设计。主要研究过程分为四个步骤:第一步是将多体素模式识别方法应用在多个中心的精神分裂症数据中,对相关现象和初步结论进行重复验证,并得出趋向一致性或与数据相关的基本模式识别技术应用方法论;随后采用同一机器下不同疾病、两个模态的数据分析基本模式分类效果并探索特征提取的应用意义,疾病对象包括精神分裂症、抑郁症、双相情感障碍,分析模态包括T1结构图像和功能磁共振影像。第二步在保证基本模式识别方法正确率的基础上,努力探索对疾病生物标记物特征提取的新方法,创新性地采用结构化正则参数和随机化子采样,并引入非监督学习,提升模式识别方法分类的效果并优化疾病特征的提取,紧接着首次整合上述模型和方法,以LASSO作为稀疏回归模型算法、结合结构稀疏和随机算法,提出一种全新的特征提取算法“随机结构稀疏”。第三步在分子病理和发病机制较为明确的帕金森氏症上,采用新算法和网络连接计算方法对患者的差异脑区进行了并行分析和讨论。本文新成果有:1.多中心的模式识别分类效果具有相似性,不同方法在分类效果上的提升效果也具有部分一致性,且不同模式识别方法分类效果差异不大;2.在多疾病多模态分析中发现不同模态磁共振数据作为基本特征对不同疾病分类的贡献不同,有的疾病适合结构像分析,有的则适合功能网络分析;3.稀疏模型、非监督聚类方法、结构范数模型、随机化方法这些MVPA优化特征提取技术在小样本分类、区域敏感性、差异可视化等方面相较单变量方法在特征识别上具有优势;4.首次将LASSO、随机子采样、结构稀疏和稳定性选择方法相结合,提出“随机结构稀疏算法”。5.提出的新算法应用在帕金森氏症得到了与生理病理机制很一致的差异特征区域识别结果。