论文部分内容阅读
阿尔茨海默症(AD)是一种以认知障碍为主要临床特征的慢性病,也是老年疾病中的常见高发病。轻度认知障碍(MCI)是AD的前期症状,是介于正常衰老和痴呆之间的一种状态。由于AD发病过程缓慢,发病初期没有明显的临床症状,当患者出现明显症状时,多数已经进入晚期而无法治疗。而AD的早期诊断和干预对疾病的控制非常关键,可以延缓疾病进展,因此成为研究关注的焦点。对AD/MCI的分类研究,传统方法中只考虑简单的底层特征,例如从MRI图像中提取的灰质体积和从PET图像中提取的平均信号强度,本文则是利用深度学习方法,在这些底层特征中提取隐含特征表示,并将提取出的隐含特征与原始特征联合对AD的不同疾病进程进行预测分类,提高AD/MCI的分类精度和模型鲁棒性,以辅助疾病诊断。本文具体工作如下:(1)选取ADNI数据库的表型数据,并对数据进行质量控制,筛选出同时具有MRI、PET和CSF基线数据的样本。同时收集每个样本的MRI数据(132个兴趣区的组织体积)、PET数据(132个兴趣区的平均信号强度)和CSF数据(三个生物标记物Aβ42、T-tau和P-tau含量),以及样本的两个临床量表(MMSE和ADAS-Cog)评分结果、年龄、性别和受教育程度等人口统计学信息。经过质量控制,一共得到788个样本,其中包括165名健康老人样本、97名主观记忆抱怨患者、259名轻度认知障碍早期患者、141名轻度认知障碍晚期患者和126名阿尔茨海默症患者。(2)基于堆叠自动编码器和BP神经网络对AD/MCI进行分类。首先利用随机划分子集和分层划分子集的方法,分别在MRI、PET和CSF特征集下进行4个二分类实验、1个三分类实验和1个五分类实验,然后分析了SAE中块尺寸、迭代次数以及网络结构对重构误差和召回率的影响,并确定最优参数和最优网络结构。同时分别提取了样本MRI、PET和CSF三个表型数据的隐含特征表示。(3)基于多任务学习和多核SVM学习对AD/MCI进行分类。首先将MRI、PET和CSF原始特征联合,作为MTL+BP网络的输入,并将每个分类问题的最优分类精度与单任务进行对比,验证了多任务学习的有效性。然后将MRI、PET和CSF三个表型数据基于SAE最后一层网络提取到的隐含特征表示分别与原始特征结合组成增广特征矩阵,基于多任务学习和多核SVM学习进行各个分类实验,并将得到的最优分类精度分别与单核SVM分类器下的最优结果进行对比分析。最终确定对AD/MCI进行分类的最优方案,并得到较高的分类精度。