本研究利用功能磁共振成像(functional magnetic resonance imaging,fMRI)构建个体脑网络以期能够对阿尔兹海默症(Alzheimer′s disease,AD)不同病程阶段进行分类,为临床诊断早期AD提供一种辅助手段。首先构建有向脑网络,将体素葡萄糖...本研究利用功能磁共振成像(functional magnetic resonance imaging,fMRI)构建个体脑网络以期能够对阿尔兹海默症(Alzheimer′s disease,AD)不同病程阶段进行分类,为临床诊断早期AD提供一种辅助手段。首先构建有向脑网络,将体素葡萄糖代谢平均率和脑网络连接,增加节点的度作为被研究对象对应图像的特征。然后采用Wrapper式特征选择法分别验证三种特征在核主成分分析(kernel principal component analysis,KPCA)和Adaboost两种机器学习算法下诊断AD的性能,将特征融合后以同样的方法进行验证。最后,对比分析了两种预测模型在AD不同病程中的分类性能,用十折交叉验证评估预测性能。结果显示,就单特征识别能力而言,平均葡萄糖代谢率对于AD的分类性能贡献最大,在两种算法下分别达到了93.21%和92.89%的准确率,多特征融合的分类性能最佳,准确率达94%以上,AUC值为0.97。两种算法模型对AD不同分类组的预测能力都不错,虽略有差异,但相比而言,KPCA算法表现更好。本研究可为计算机辅助AD早期诊断、及时干预提供参考依据。展开更多
文摘本研究利用功能磁共振成像(functional magnetic resonance imaging,fMRI)构建个体脑网络以期能够对阿尔兹海默症(Alzheimer′s disease,AD)不同病程阶段进行分类,为临床诊断早期AD提供一种辅助手段。首先构建有向脑网络,将体素葡萄糖代谢平均率和脑网络连接,增加节点的度作为被研究对象对应图像的特征。然后采用Wrapper式特征选择法分别验证三种特征在核主成分分析(kernel principal component analysis,KPCA)和Adaboost两种机器学习算法下诊断AD的性能,将特征融合后以同样的方法进行验证。最后,对比分析了两种预测模型在AD不同病程中的分类性能,用十折交叉验证评估预测性能。结果显示,就单特征识别能力而言,平均葡萄糖代谢率对于AD的分类性能贡献最大,在两种算法下分别达到了93.21%和92.89%的准确率,多特征融合的分类性能最佳,准确率达94%以上,AUC值为0.97。两种算法模型对AD不同分类组的预测能力都不错,虽略有差异,但相比而言,KPCA算法表现更好。本研究可为计算机辅助AD早期诊断、及时干预提供参考依据。
