论文部分内容阅读
脑科学作为一门新兴学科,随着大脑成像技术的发展而逐渐走向成熟,特别是在磁共振成像(magnetic resonance imaging,MRI)技术兴起以后,人们得以通过更加精细的大脑成像数据进行大脑结构的分析和研究。在模式识别方法引入到脑科学的研究之后,通过机器学习的巨大优势,其应用领域不断拓展,一个典型的例子就是医学领域中的通过寻找神经类疾病患者和正常被试脑磁图像间的差异,找出这些疾病的致病脑区。同时,通过对患者和正常被试之间的差异进行学习训练,也能够对疾病的诊断有所帮助。在本文中,我们进行了基于大脑磁共振成像的阿尔茨海默病(Alzheimer disease,AD)模式分类研究。我们首先进行了基于体素形态学分析方法(Voxel-Based Morphometry,VBM)的灰白质模式分类,特征选择算法分别使用主成分分析(Principal Component Analysis,PCA)算法和局部线性嵌入(Locally Linear Embedding,LLE)算法,分类算法采用线性支持向量机(Support Vector Machine,SVM).然后我们先通过特征描述对灰白质特征进行转换再进行分类实验,特征描述算法使用梯度直方图特征(Histogram Oriented Gradient,HOG)算法,各个算法的不同组合之间通过一系列比较确定本实验中的最优分类算法。其中AD患者与正常对照的最优的分类精度为灰质VBM+HOG+PCA的0.90。最后我们通过统计学差异研究方法和特征分析方法找到了不同分类对照之间的差异脑区,最后,我们通过对分类效果的分析,对模式识别方法在基于脑磁图像的神经疾病诊断和寻找致病脑区的思想和方法有比较完全的理解,对推动模式识别方法在该领域的应用也有一定的积极作用。