基于機器學習的神經影像分析和腦疾病診斷.pdf

1、隨著神經影像技術的高速發(fā)展，特別是核磁共振成像（MRI）等技術的應用和普及，在臨床上，神經影像由于無創(chuàng)、高組織分辨率等優(yōu)點正被廣泛用于阿爾茨海默病（AD）、輕度認知功能障礙（MCI）等腦疾病診斷。實際臨床應用中，放射科醫(yī)生往往需要手動識別和量化某些感興趣區(qū)域，隨著患者數(shù)目的增加，手動識別和量化迅速變得不切實際。隨著圖像識別技術的飛速發(fā)展，使得利用計算機來有效處理神經影像數(shù)據、幫助醫(yī)師進行輔助診斷，提高診斷的準確率成為可能。然而，由于神經

2、影像數(shù)據所固有的高維度，如何對其進行快速有效地處理和分析、并建立計算機輔助腦疾病診斷模型是當前研究的關鍵科學問題之一。
　　神經影像計算分析的主要研究內容包括圖像預處理、圖像分割和配準、圖像特征提取和分類器設計等。本論文主要針對神經影像計算分析中的特征提取和分類器設計兩個關鍵問題，研究基于機器學習技術的神經影像特征提取和分類器設計算法模型。最后用研究的算法在ADNI神經影像數(shù)據庫中進行測試，針對正常人、輕度認知功能障礙患者（MCI

3、）以及阿爾茨海默病患者（AD）三類對象進行分類驗證。本文的主要的貢獻和創(chuàng)新工作有：
　　（1）基于稀疏表示模型，融合了l1范數(shù)正則項的稀疏度條件與l2范數(shù)正則項的訓練樣本組標簽信息，得到一個組稀疏表示分類器。實驗證明，該分類器在面對MCI轉化患者（轉化為AD）和MCI非轉化患者的分類問題時表現(xiàn)要優(yōu)于其他傳統(tǒng)的分類方法。
　?。?）基于深度學習框架，提出了一個基于堆疊自動編碼器網絡的特征提取方法，從原始的簡單、低水平特征提取出