| 基于脑网络组图谱的阿尔茨海默病分类 |
| |
| 引用本文： | 胡方舟,尤 波,赵 坤,李卓然,丁艳辉,张 熙,刘 勇.基于脑网络组图谱的阿尔茨海默病分类[J].太赫兹科学与电子信息学报,2020,18(4):698-702. |
| |
| 作者姓名： | 胡方舟 尤 波 赵 坤 李卓然 丁艳辉 张 熙 刘 勇 |
| |
| 作者单位： | 1.School of Automation, Harbin University of Science and Technology, Harbin 150080, China；2.National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing 100190;2.National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing 100190；3.School of Information Science and Engineering, Shandong Normal University, Jinan Shandong 250014, China;4.Department of Neurology, Institute of Geriatrics and Gerontology, Chinese PLA General Hospital, Beijing 100853 |
| |
| 基金项目： | 国家自然科学基金资助项目(81471120；61431012)；山东省重点研发计划资助项目(2017GGX10112) |
| |
| 摘 要： | 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。
|
| 关 键 词： | 阿尔茨海默病 结构磁共振影像 支持向量机 脑网络组图谱 |
| 收稿时间： | 2018/12/6 0:00:00 |
| 修稿时间： | 2019/1/28 0:00:00 |
|
| 点击此处可从《太赫兹科学与电子信息学报》浏览原始摘要信息 |
| 点击此处可从《太赫兹科学与电子信息学报》下载免费的PDF全文 |
|
