论文部分内容阅读
自闭症谱系障碍(Autism Spectrum Disorders,ASD)是一种发生在儿童早期的神经发育障碍。ASD症状主要表现为社会和语言交流障碍以及兴趣和行为的异常,病情严重者甚至无法进行情感表达。它是一种在三岁之前发生的,并且以社会互动和沟通的定性障碍为主要特征的发育障碍,并伴随行为和兴趣狭窄、行为重复和刻板等症状。目前,大多数神经精神科医生主要通过访谈法和量表法对ASD患者进行诊断。这些方法比较依赖医生的专业素养,诊断结果具有较强的主观性和随机性,而且操作过程相对比较耗时。虽然人们对ASD新诊断方法的研究已经取得了很多成果,但是这些成果离临床诊断应用还有一定距离。与此同时,世界各地ASD儿童的数量却呈现不断上升的趋势。因此,本来人数不多的神经精神科医生将面临着需要诊断越来越多的ASD儿童的巨大压力。为了缓解这种矛盾、促使ASD儿童能早日康复,同时推动中国计算机辅助诊断(Computer Aided Diagnosis,CAD)ASD儿童技术的发展,本文提出基于静息态功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)数据和深度学习(Deep Learning,DL)的客观、精准的ASD儿童分类诊断技术。本文提出的技术主要以5-13岁的学龄儿童为研究对象,通过独立成分分析(Independent Component Analysis,ICA)分解fMRI数据和采用改进型多隐含层堆栈自编码器(Multiple Hidden Layers Stack AutoEncoder,MHLSAE)算法实现高正确率分类ASD儿童与正常儿童,最终研究结果可为神经精神科医生诊断ASD儿童提供一种CAD手段、可提高医生诊断效率和减轻医生少患者多的社会压力。本文通过交叉验证(Cross-validation,CV)法对MHLSAE算法及分类结果进行统计和分析。整篇论文从三大分类评估指标(正确率、灵敏度和特异度)角度讨论研究对象和分类模型之间的适用性。经过理论分析和实例验证,本文得出如下结论:1、从脑功能连接(Functional Connection,FC)和独立成分(Independent Component,IC)角度,本文分析了通过FC和IC判断ASD的可行性。论文先从国际专业ASD脑影像数据库中选出纽约大学(New York University,NYU)朗格尼医学中心的156个被试的fMRI数据,接着将每个被试的数据分解成50个ICs,并根据FC与IC关系遴选10个关键IC的时间序列组成特征向量,将156个特征向量分成训练集和测试集,然后对带有softmax分类器的堆栈自编码器(Stack AutoEncoder,SAE)模型进行训练与测试。实验结果表明,采用CV法获得的分类正确率高达98.98%(灵敏度高达98.64%和特异度高达99.32%)。因此,该方法有效地评估了综合10个关键IC对判断ASD的贡献程度,并从概率统计角度证明了结合关键IC和SAE的分类方法具有推广到临床诊断应用的巨大潜力。2、以脑振荡信号频段特征与ASD的关系为研究切入点,本文提出以5-13岁学龄儿童的fMRI为研究对象,采用ICA分解fMRI,提取脑低频信号,依据能量占比关系选出大部分ICs,构成时间序列特征向量,然后利用MHLSAE进行训练、测试与分类。在研究过程中,本文特地挑选了84个5-13岁学龄儿童fMRI数据,逐一分解,接着根据脑低频信号能量占比关系,选出20个关键脑振荡信号,组成84个特征向量,输入到MHLSAE训练、测试与分类。通过CV法,该研究方法获得87.21%的平均分类正确率(89.49%的平均灵敏度和83.73%的平均特异度)。实验结果表明,基于主要低频脑信号和MHLSAE的分类方法降低了对ASD医学知识的依赖性,并验证了CAD的可行性。3、为了进一步验证MHLSAE分类模型的通用性和进一步提高分类正确率,本文选择三个不同机构的198个学龄儿童fMRI数据作为研究对象,接着将通过ICA提取的所有独立成分时间序列直接构成特征向量,增加MHLSAE的输入节点个数,训练新的分类模型,最后使用CV法验证分类模型的性能。最终,基于全脑信号和MHLSAE的分类方法取得96.26%的平均正确率(98.03%的平均灵敏度和93.62%的平均特异度)。实验结果表明,MHLSAE更加适合高维度、数量多的被试样本集,同时,该方法完全摒弃了对ASD医学知识的依赖性,而且平均正确率和平均灵敏度都大于95%,进一步提高了CAD的可行性。本文根据不同的研究对象,提出三种不同的分类方法,并取得越来越好的分类效果。