作者：***
外滩画报
王玉溪来源：《现代信息科技》2020年第13期
摘 要：已有很多成果利用結构功能磁共振成像、静息态功能磁共振成像等成像数据研究机器学习判别分析在阿尔茨海默病患者诊断中的应用，经进一步分析发现，如果能够综合利用多种模态成像特征数据将为分类器提供更丰富、全面的信息，有利于最终的判别分 析。在这项研究中，提出一种将结构功能磁共振成像、静息态功能磁共振成像两种成像模态提取的特征结合的机器学习分类算法应用于阿尔茨海默病患者鉴别的方法，相比利用单一模态数据的鉴别模型具有显著优势。
关键词：AD疾病辅助诊断;多模态;多分类器;MLDA;SVM;MRI;R-fMRI
中图分类号：TP391.41 文献标识码：A 文章编号：2096-4706（2020）13-0001-04
Abstract：There are many achievements on the application of machine learning discriminant analysis in the diagnosis of AD patients using MRI、R-fMRI and other imaging data. Through further analysis，it is found that if the multi-modal imaging feature data can be used comprehensively，it will provide more abundant and comprehensive information for the classifier，which is conducive to the final discriminant analysis. In this study，the machine learning classification algorithm is proposed to identify the AD patients by combining the feature extraction methods of the two imaging modalities of MRI and R-fMRI. Compared with the identification model using single modal data，it has a significant advantage.
深圳技术职业学院 Keywords：aided diagnosis of AD patients;multi-modal imaging;multi-classifier;MLDA;SVM;MRI;R-fMRI
0 引 言
阿尔茨海默病（Alzheimer’s disease，AD）是一种常见的进行性神经衰退性疾病，临床主要表现为记忆力和其他认知功能的下降，它会逐渐破坏患者的记忆和推理、判断、交流以及处理日常活动的能力[1]。据报道，自20世纪80年代中期以来，西方国家65岁以上老年痴呆症的患病率为3.6%～10.3%，东亚地区为1.8%～10.8%，另据估计，大约50%～60%的痴呆患者患有AD[2]。而且患者往往在晚期才被明确诊断为患有AD，因此，在这样的进行性神经衰退性疾病晚期，开始任何可能的神经保护对疾病的都鲜有实质性的影响。为了提高对AD患者的基础研究水平和临床干预水平，寻一种有效的、客观的诊断方法来区分早期轻度AD患者和健康对照者是至关重要的。在过去的二十年里，人们已经采取了各种客观的措施来鉴别、诊断阿尔茨海默病，包括一系列的嗅觉、电生理和神经心理学测试[3]。在提供客观评估方面，技术最发达的领域是神经影像学[4]。
近年来，神经影像学领域中诊断AD的客观方法越来越多。以前的大多数研究都是基
于有创伤性的成像方式或单一的成像方式，而这并不是理想的诊断工具。近年来，静息态功能磁共振成像（R-fMRI）作为一种高时空分辨率的无创技术，已被用于多种神经精神疾病的脑功能异常研究[5，6]。此外，最近一些研究成果利用结构功能磁共振成像（MRI）数据，根据提取的特征研究AD的自动分类方法[7，8]，比如基于顶点的皮质厚度和体素方向的体积特征。综上所述，这些研究表明AD患者的结构MRI和R-fMRI变化与疾病的严重程度显著相关，如果能有效地整合结构和功能脑成像信息，就可以更好地将阿尔茨海默病患者与健康人区分开来。在这项研究中，我们提出了一种基于多模态成像特征和多分析器的AD患者分析框架，该分析方法可以综合各种模态脑成像信息的优点来诊断早期AD患者。通过实验证明该分析框架相比原有的基于单一模态数据或者基于一种分类器的AD患者鉴别框架在准确率上具有明显的优势。下边依次介绍该框架所用到的四种特征数据提取，分析框架的建立、实验数据、分析结果。
1 结构MRI和R-fMRI特征提取
净然法师 根据已有的相关研究成果可知，结构MRI数据包含了丰富的脑组织形态学信息，包括灰质密度（GMD）、白质密度（WMD）和脑脊液（CSF）密度，其中灰质密度已被广泛
应用于研究AD患者的灰质萎缩。R-fMRI对于正常和病理状态下大脑的内在功能结构的分析研究至关重要。一些研究已经利用R-fMRI证明AD疾病与R-fMRI多个层次的特征改变有关，包括低频振幅（ALFF）、局部一致性（ReHo）、区域功能连接度（RFCS）。近年来的一些基于机器学习算法的AD患者诊断研究表明，综合利用多模态成像信息可以显著提高AD诊断的识别精度[9，10]。因此在本文研究中，我们提出利用多模态成像（结构MRI和R-fMRI）的多水平特征（ALFF、ReHo、RFCS、GMD）来区分AD患者和健康对照组。通过有效地整合丰富而全面的信息，可以提高整个系统的分类能力。 1.1 局部一致性
建行网络学习系统 局部一致性（ReHo）最初是用来测量功能磁共振成像时间过程中区域之间的同步程度，并可用于评估静息状态下的大脑活动。ReHo被定义为给定体素与其最近邻体素时间序列的Kendall一致性系数（KCC），相邻体素的数目是26。计算公式如下：
其中，n表示时间点数，k为给定体素和其最近邻体素的点数和，由于本例中选择相邻体素的数目是26，所以本例中二者之和为27，它們共同构成一个成像簇（cluster），Ri为该cluster中每个体素点的体素值， 代表它们的平均值。
为了减少所有受试者变异性的整体影响，用每个体素的ReHo除以每个受试者的整体平均ReHo值。因此，每个受试者都获得了一张ReHo图。然后使用自动解剖标记（AAL）图谱将单个ReHo图划分为116个感兴趣区域（ROI），并计算每个区域的平均ReHo值。一个受试者的ReHo特征由每个区域的平均ReHo组成。
1.2 低频振幅
低频振幅（ALFF）是衡量人脑固有或自发神经活动能量水平的有效指标。简单来说，首先利用快速傅立叶变换将每个体素的时间序列转换到频域得到功率谱，然后再在功率谱的每个频率处计算平方根，最后将0.01～0.10 Hz频谱范围内的平方根取平均值，即为该体素的ALFF值。为了减少所有受试者变异性的整体影响，将每个体素的ALFF除以全局平均值。因此，每个受试者都获得了ALFF图。然后，根据AAL图谱，将ALFF图分为116个感兴趣区域，并通过平均该区域内的ALFF值计算每个区域的平均ALFF值。一个被试的ALFF特征由每个区域的平均ALFF组成。
1.3 区域功能连接度
美国药典 区域功能连接度（RFCS）是用来测量给定区域与所有其他区域之间的平均相关强度。为了计算静息状态下的功能连通性，首先回归出头部运动的影响和整个大脑的平均信号，去除这几个影响协变量的伪效应。然后使用AAL图谱将单个R-fMRI划分为116个ROI，然后计算每个区域内所有体素时间序列的平均值。为了度量区域间的功能连通性，需计算所有潜在区域对的时间序列之间的Pearson相关系数，每个受试者将得到一个116×116的相关矩阵，然后去掉对角线上的值，即为该被试的RFCS，区域i的区域RFCS定义为：
其中，Rij是区域i和区域j之间的Pearson相关系数，N是区域的数量。
1.4 灰质密度
通过线性变换进行运动校正预处理后，将每个被试的结构MRI分为三幅图像：灰质密度、白质密度和脑脊液密度，在空间上使用统一的配准算法标准化这三幅图像，再选择10 mm窗口大小的高斯核平滑方法对单个GMD图像处理。最后使用AAL图谱将单个GMD图像分割成116个ROI，然后通过平均该区域内所有体素提取每个区域的平均值，从每个受试者的GMD图中提取了116个特征。
2 基于多模态脑成像特征和多分类器的AD患者判别模型构建
2.1 MLDA和SVM分类器特性
本文所提出的多分类器模型主要是基于最大不确定度LDA（线性判别分析）算法MLDA和支持向量机（SVM）两类基本机器学习算法，因此下边就这两类算法做简单分析。
由前边特征选择描述可知，在本文所提出的框架中，即使进行了特征选择，特征空间的维数仍然极可能高于样本数，这就使得在本文中应用Fisher线性判别方法做出分类决择时，由于有限样本量和特征高维问题，面临着类内离散矩阵Sw是非奇异矩阵或估计不好的风险[11]。为了避免类内离散矩阵Sw在有限样本和高维问题中的奇异性和不稳定性问题，作为一种基于LDA的优化算法，MLDA提出用修正后的类内离散矩阵 代替根据原有数据计算所得的离散矩阵Sw，该方法基于最大熵协方差选择思想，改进了有限样本问题的二次分类性能[12]，MLDA仅扩展离散矩阵Sw较小且可靠性较低的特征值，并保持其大部分的较大特征值不变，方法如下：
（1）计算矩阵Sp=Sw/N-g（g为样本类别数）的特征向量矩阵Ф、特征值对角矩阵Λ;
（2）计算平均值 =trace（Sp）/d，将Λ中小于 的特征值替换为 ，大于 的特征值保持不变，得到修正之后的对角矩阵Λ*，其中，d为特征维度;
（3）计算修正之后类内离散矩阵=（N-g）=Ф Λ*ФT（N-g）。
MLDA是通过将传统LDA算法所述的基本准则公式中的Sw替换为 而构成的，当LDA应用于有限样本和高维问题时，该方法克服了类内离散矩阵Sw的奇异性和不稳定性，还避免了传统LDA收缩过程中固有的计算成本。
SVM是机器学习领域一类经典的分类器，SVM可以在有限样本上获得和样本相适应的最好的推广能力，其突出的优势就是能够有效避免小样本问题。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议