神经影像技术为研究人脑的结构及功能的机理及变异提供了有效工具,将机器学习技术引入神经影像数据的分析,则为有效解析神经影像数据提供了新的可能。采用传统的统计分析方法,诸多研究表明男女在脑结构方面存在巨大差异,但这些统计结果仅仅是反映了一种“可能性”(例如,99%的可能性显示男性的皮层厚度大于女性),而不是“事实”,因此基于统计分析常常得到相悖的结论,而这些结论何者正确,只依靠统计分析本身往往无法确认。通过引入机器学习技术,能有效甄别这些统计结果中哪些更接近真相:哪些有助于有效识别个体性别的差异可能是更为“真实”的。除了有效甄别统计结果的真伪,性别分类对于一些有性别侧重的神经精神疾病(比如多动症的男性患病率明显偏高,而抑郁症的女性患病率明显偏高)的机理分析及诊断也有重要意义。本研究中,我们基于大样本磁共振影像进行了性别分类研究。具体地,我们基于526个健康成年人(215个男性,年龄在22-35岁之间)的脑结构磁共振图像,提取了每一个样本的包括皮层表面积、皮层厚度、灰质体积、折叠指数、平均曲率、高斯曲率及其皮下体积七种参数,采用弹性网、栈式自编码和随机森林等三种方法开展男女之间的性别分类研究。具体如下:基于弹性网的性别分类:我们基于不同的脑结构参数,采用弹性网方法构建分类模型,采用10折交叉的方法进行验证。实验结果表明,基于皮下体积的分类正确率最高,达到85.38%;当组合所有的参数特征进行分类时,分类正确率达到88.61%;如果同时考虑皮层参数的左右半脑的不对称性,分类结果达到了 90.50%。基于栈式自编码的性别分类:我们基于不同的脑结构参数,采用栈式自编码器构建性别分类模型,采用10折交叉法进行验证。实验结果表明,基于皮下体积的分类正确率最高,达到了 86.50%;当组合所有的参数特征时,分类正确率可达到89.92%;考虑皮层参数不同区域的不对称性时,分类结果反而降低,这一结果提示栈式自编码器可能本身已经实现了对脑结构特征的有效融合,因此,加入左右不对称性未能有效提升分类正确率。基于随机森林的性别分类:我们基于不同的脑结构参数,采用随机森林方法构建性别分类模型,采用10折交叉的方法进行交叉验证。实验结果表明,基于皮下体积的分类正确率最高,达到83.48%;当组合所有的参数特征时,分类正确率达到了 86.11%;如果同时考虑皮层参数的左右半脑的不对称性,分类正确率提升不大。总体而言,本研究基于人脑结构影像,采用三种方法开展了性别分类研究。研究结果表明,皮下体积、皮层表面积、灰质体积等参数较折叠指数、平均曲率、高斯曲率等参数能更好地表征人脑结构在性别方面的差异。这些参数之间存在一定的互补性,几个参数相结合能有效提升分类正确率。我们的实验结果还表明,人脑结构的左右不对称性指标也是男女之间脑结构差异的重要方面。本研究的结果对于人脑结构分析中的参数选择有指导意义,对基于脑结构参数开展对于有性别侧重的神经精神疾病的分类也有借鉴价值。