基于脑网络组图谱的阿尔茨海默病分类

结构磁共振影像(sMRI)作为一种非入侵式的脑成像方式为人们理解阿尔茨海默病(AD)的患病机制提供了很大的帮助,目前已有大量研究利用从sMRI中提取的特征进行AD的识别。为了充分利用图像信息提取AD相关的特征,提出了一种简单易用的基于人类脑网络组图谱的脑区划分进行特征提取的方法。选取美国阿尔茨海默病神经影像组织(ADNI)数据库中的226例正常被试(NC)和227例AD患者的sMRI数据作为研究对象,提取每个个体脑网络组图谱中各脑区的平均灰质密度作为特征,利用支持向量机(SVM)对NC和AD患者进行分类,通过10折交叉验证的方式得到了85.2%的平均分类准确率。后续的统计分析发现,海马、杏仁核及梭状回等脑区的平均灰质密度对NC和AD患者的识别贡献很大,且这些脑区的萎缩程度与患者的认知能力密切相关。利用最小绝对收缩选择算子(LASSO)对个体的简易智力状态评分(MMSE)进行预测,预测结果与真实值间存在显著的正相关(r0.65, p0.001)。研究结果表明,基于脑网络组图谱脑区划分提取的脑区平均灰质密度特征可以有效地对AD患者进行识别,并可以用来评估个体的认知水平。     

粗糙集理论及其在数据归约中的应用

数据预处理在数据挖掘中占有重要地位，传统的数据归约方法都有其局限性。本文介绍了粗糙集的相关概念及数据预处理的一些知识，并利用区分矩阵求粗糙集中核的思想，提出了一种知识归约的方法．为进一步的数据挖掘做准备。     

基于海马纹理特征的阿尔茨海默病早期识别

阿尔茨海默病(AD)是一种神经退行性疾病。随着脑医学影像的发展,对AD诊断的精确度也在进一步提高,但对AD的诊断,客观上仍缺少好的生物标记。为寻找到AD的更稳定的生物标记,利用海马的影像组学特征对海马的信号强度、形状、灰度阶梯分布等特征进行刻画,通过方差分析(ANOVA)和事后检验,在统计学上寻找出正常对照(NC)、AD、轻度认知损害(MCI)之间存在差异的特征;通过与被试的简易智能状况检查(MMSE)评分进行相关性分析,找寻与MMSE评分相关性较高的特征;利用支持向量机(SVM)构建一个对AD和NC分类的模型,交叉验证得到的正确率为86%。结果表明,海马的影像组学特征是一个很好的生物标记,能对AD进行有效的早期识别。