MR影像体素形态学的阿尔茨海默病自动分类方法

为了确定轻度认知功能障碍(MCI)与阿尔茨海默病(AD)患者发生萎缩的重要脑区,实现正常老年人(NC)对照组、MCI与AD三组人群的分类,选择了178名被试的脑部MR影像,利用体素形态学与方差分析方法,考察NC,MCI与AD三组人群的MR影像中灰质体积差异;然后,采用递归特征消去法对特征进行降维;最后,利用线性支持向量机对这3种人群进行分类.实验结果表明,MCI组与NC组、MCI组与AD组、AD组与NC组的平均分类准确率分别为(90.2±1.3)%,(74.7±0.9)%,100%.对分类产生重要影响的脑区包括海马、海马旁回、杏仁核、梭状回和嗅皮层等.所提方法不仅能有效揭示NC,MCI,AD三组人群的脑灰质差异,阐明MCI患者与AD患者脑区发生萎缩的过程与特性,而且能准确区分这3组人群,具有显著的临床应用价值.     

脑网络社团连接在轻度认知障碍分类中的应用

轻度认知障碍(mild cognitive impairment,MCI)发展成为阿尔茨海默病(alzheimer’s disease,AD)的概率极高,因此对于MCI的早诊尤为重要。本研究首次选取模块桥梁连接数作为分类特征,精确直观地反映出各功能脑区连接的异常损失。首先利用"堆结构"的贪婪算法模块化MCI和正常人(normal control,NC)的静息态功能脑网络,之后根据连接介数中心性去除网络中冗余功能连接,选取模块间与模块内桥梁连接数作为分类特征。该研究利用支持向量机对NC和MCI进行识别,平均分类正确率达92.89%,且统计分析显示两组被试在模块内及模块间的桥梁连接数有明显差异,其中默认网络、边缘系统的差异最为显著,这与先前研究基本一致。     

基于支持张量机算法和3D脑白质图像的阿尔兹海默症诊断

结构磁共振成像(s MRI)本质上具有三维张量结构,而传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能。为了克服数据向量化的弊端,提出了一种基于支持张量机(Support tensor machine,STM)的以3D T1加权MR脑白质图像为输入的阿尔兹海默症诊断算法。首先用SPM8软件将采集的MRI数据进行预处理,分割为灰质、白质、脑脊液3部分,提取脑白质各体素的灰度值构建三阶灰度张量,然后用递归特征消除(Recursive Feature Elimination,RFE)法结合支持张量机进行特征选择,最后用支持张量机进行分类。在阿尔兹海默症患者(AD),轻度认知障碍患者(MCI)(包括转化为AD的MCI-C和未转化的MCI-NC)以及正常对照(NC)4组人群中进行实验测试,并用10折交叉验证方法获得验证结果。用ROC曲线下面积AUC、分类准确率、敏感性、特异性这4个指标评价分类器的性能,AD vs NC组分别达到99.1%、97.14%、95.71%、98.57%;AD vs MCI组分别达到88.29%、84.07%、78.57%、91.07%;MCI vs NC组分别达到89.18%、87.91%、93.75%、78.57%;MCI-C vs MCI-NC组分别达到87.5%、82.08%、80.36%、82.14%。算法保持了原始图像的张量结构,提高了分类器的性能,实验结果表明此算法是一种有效的阿尔兹海默症诊断方法。     

功能连接偏侧化在AD早期诊断中的应用研究

借助脑功能连接方法,研究AD的偏侧化现象,并将其用于AD的辅助诊断中。实验采用ADNI数据集,首先制作可用于偏侧化研究的脑膜板,接着构建半球功能脑网络,计算网络连接强度,并计算偏侧化指数。利用统计分析的方法,筛选可用于AD辅助诊断的特征,并使用SVM(support vector machine)分类器训练分类模型。结果显示,加入偏侧化特征后的分类准确率为89.17%,敏感度为90.28%,特异度为88.24%,证明偏侧化指数的加入对于AD的分类准确率有提高作用。     

基于多模态医学图像的Alzheimer病分类方法

多模态医学影像信息已经在计算机辅助检测和诊断中被广泛地应用。在对Alzheimer病(Alzheimer's disease, AD)的分类与诊断中,结合多个模态医学影像的特征信息能够更加准确且全面地对同一AD主题进行分类与诊断。该文提出了一种基于卷积神经网络的模型结构,分别对AD病患的磁共振图像(MRI)和正电子发射型计算机断层显像(PET)图像进行3D卷积操作来提取各自模态的特征信息,并应用模型融合方法对模态特征信息加以融合,从而得到包含更加丰富的多模态特征信息。最后用全连接神经网络将上述提取的多模态特征信息进行分类预测。通过在AD神经影像学倡议(Alzheimer's disease neuroimaging initiative, ADNI)公开数据集上的实验结果表明:该文所提出的模型在准确率(accuracy, ACC)和曲线下面积(area under the curve, AUC)的性能评价中都取得了更加优越的结果。     

基于可分性距离判据和脑MR图像的AD症脑部年龄检测

阿尔茨海默病(AD)症不同状态所对应的脑部年龄与实际年龄存在偏差,为了准确预测该偏差得到脑部年龄,在现有基于脑磁共振(MR)图像年龄检测方法的基础上,提出了一种新的脑部年龄检测算法.首先,设定偏差搜索范围;然后,基于可分性距离判据设计了适应度函数,利用偏差和支持向量回归机(SVR)获得样本年龄估计值,并计算出其适应度值;接着,通过最大化适应度值获取偏差的最优估计,从而获得更有利于AD症分类的脑部年龄.与现有的年龄检测方法相比,对于正常对照组(NC)与AD患者、NC与轻度认知障碍患者(MCI)以及MCI与AD患者3种分类情况,所提方法的可分度值分别提高了0.178,0.033,0.017.因此,所提方法检测的年龄具有更好的可分性,更有利于提高AD症的分类准确率.     

轻度认知障碍患者脑皮层多特征分析与分类

揭示稳定型轻度认知障碍患者、转化型轻度认知障碍患者与健康正常人之间的脑结构及其形态变化差异,以区分3组人群.首先,选择73例健康正常人、46例稳定型MCI患者和40例转化型MCI患者,采集基线期以及1年和2年时间节点的脑结构磁共振图像;然后,应用Freesurfer软件计算皮层厚度、灰质体积、表面积和平均曲率等脑皮层形态结构特征,并分别利用T检验方法、稀疏约束降维法和递归特征消去法,选择重要特征;最后,利用线性支持向量机对3组人群进行分类,分析具有强分类能力的重要脑区及其分布.结果表明,递归特征消去法的分类性能最优,稀疏约束降维法次之,T检验最差;4种皮层特征融合,尤其是基线与纵向变化特征融合,可显著提高分类性能.脑皮层结构特征及其随时间的变化信息,能被有效地应用于稳定型和转化型MCI患者的自动分类.     

基于正则化逻辑回归的阿尔茨海默病早期诊断模型

提出了一种基于L_2正则化逻辑回归(LR)的阿尔茨海默病(AD)诊断算法.在该模型中使用了L_2范数对LR进行正则化处理,正则化参数通过十倍交叉验证来选择,同时使用了独立成分分析对预处理后的数据进行降维处理,最后使用了牛顿算法来求出模型的最优权值.通过这一算法可以有效分辨出AD及其早期阶段轻度认知障碍(MCI).实验在AD vs.CN,MCI vs.CN和LMCI vs.EMCI 3组分类任务中获得的分类准确率分别为95.22%,81.22%和74.35%.实验结果证明其为一种有效的诊断算法.     

基于磁共振影像特征集成融合的AD诊断

为了得到更高更稳定的阿尔茨海默病(AD)诊断准确率,对脑磁共振影像纹理特征进行了集成融合,并用于AD分类诊断.首先,基于病理知识提取脑磁共振影像中左右脑相关解剖结构的体积、纹理特征;然后,采用链式智能体遗传算法与支持向量机相结合的封装式特征选择分类集成模型,对提取的特征集进行特征选择,从而实现融合;最后,利用融合后的特征进行分类诊断,并将融合后的分类结果与融合前以及采用p值法特征选择的分类结果进行对比.实验结果表明,相比融合前的特征以及采用p值法进行选择的特征,利用所提算法融合后的特征具有更高且更稳定的分类准确率、灵敏度和特异度.     

复杂网络理论在酗酒分类中的应用研究

在酗酒者脑电数据基础上,利用复杂网络理论构建并分析了酗酒者EEG功能脑网络,通过统计检验和机器学习算法挖掘出正常被试和酗酒被试之间的特异性网络指标作为分类特征,用SVM分类的准确率最高可达76.8%。分类结果表明,通过复杂网络理论得到的脑网络属性可作为酗酒疾病的早期客观指标,应用到酗酒疾病的临床辅助诊断。     

基于注意力机制的双分支肺炎图像分类网络

目前许多肺炎图像分类网络大多采用单分支网络对输入图像进行特征提取,这在一定程度上忽略了图像不同维度的特征信息。为了优化这种问题,提出一种融入注意力机制的双分支肺炎图像分类网络,利用VGG16网络和加入可分离卷积以及融入卷积注意力模块(convolution block attention module, CBAM)的CNN卷积神经网络进行双分支特征提取,能够关注到肺炎图像不同层次的特征信息,将2种网络分支的特征进行不同维度的融合,最后输入全连接层进行分类判决。结果表明,该网络在正常肺部、病毒性肺炎、新型冠状病毒肺炎(COVID-19)X-ray图像组成的测试集上取得了95%的平均准确率。经过消融试验证明,该网络加入的可分离卷积模块、注意力模块和特征融合对减少网络参数、提高网络分类的准确率起到明显作用。与其他网络的性能对比也表明该网络在肺炎图像分类上表现出较高的准确率和较强的鲁棒性。     

基于频率排序的判别子图筛选及在精神分裂症分类中的应用

【目的】从脑网络中提取准确的判别性特征作为分类特征，可以提高SCZ的分类准确率，避免依靠量表的主观诊断造成缺陷。传统的脑网络特征如介数、聚类系数等丢失了拓扑信息，最小生成树丢失了部分脑区连接，子图虽然保留了拓扑信息，但传统的判别子图的筛选会产生部分冗余信息，进而影响分类准确率。【方法】提出一种基于频率排序的判别子图的筛选方法(frequently scoring screen, FSS),使用FSS筛选判别子图，在不损失原有判别信息的情况下，消除冗余信息。使用OpenfMRI的公开数据，对比了使用不同特征和不同分类算法的分类性能。【结果】FSS特征的分类性能优于其他传统脑网络特征，且该特征不受分类算法影响，分类准确率优于已有SCZ分类文献。     

集成局部和全局关键特征的文本情感分类方法

融合卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(Bi-directional long short-term memory,BiLSTM)的情感分析模型(CNN_BiLSTM)是一个流行的模型,其学习文本的局部特征和全局特征实现情感分类,但是忽略了特征对分类结果的重要程度,且没充分利用词语间的特征,导致分类准确率不高.提出一种集成基于多卷积核的卷积神经网络和注意力双向长短期记忆网络特征的文本情感分类方法(MCNN_Att-BiLSTM),其集成局部和全局的重要特征作为文本语义特征,该特征进而用于训练文本情感分类器XGBoost(eXtreme gradient Boosting).该方法基于注意力机制的BiLSTM提取对分类影响大的全局关键特征,基于多卷积核的CNN获得更全面的词语间特征,为集成分类器准备了有效分类的特征.实验结果表明,该模型具有更好的情感分类准确率,与CNN_BiLSTM模型相比,在IMDB数据集上准确率提升了1.75%,在txt-sentoken数据集上准确率提升了1.67%,在谭松波-酒店评论数据集上准确率提升了3.81%.     

静息态人脑功能网络的小世界特性

研究了静息态下健康人脑的功能连接模式有助于理解人脑在正常或疾病状态下的功能活动规律.利用小波变换从健康志愿者静息态的功能磁共振成像中提取时间序列,计算90个脑区的相关性,设定阈值建立脑功能网络的无向简单图,然后计算特征路径长度和聚类系数,并对度分布进行拟合.结果显示:脑功能网络具有规则网络的大聚集系数又具有随机网络的小特征路径长度,度的拟合显示具有指数截断幂律分布,即脑功能网络具有小世界特性.     

基于功能磁共振影像的阿尔茨海默病分类研究

通过功能磁共振影像研究阿尔茨海默病与正常对照组之间的特征差异.研究对象为16例阿尔茨海默病和28例正常对照组的功能磁共振影像.首先,对静息态功能磁共振影像进行预处理;接着,运用基于信息极大化的独立成分分析算法提取阿尔茨海默病和正常对照组样本的组间特征;最后,将提取出的特征表达系数送入支持向量机分类器对阿尔茨海默病和正常对照组样本分类.在阿尔茨海默病与正常对照组的分类实验中,获得的最大平均分类准确度、敏感度及特异度分别为97.82%、94.88%、99.50%.结果显示,组间的差异特征能够比较准确地将阿尔茨海默病从正常对照组中区分开来.     

阿尔茨海默症三网动力学因果性分析

为深入探究阿尔茨海默症(Alzheimer’s disease, AD)对患者大脑功能网络之间因果性连接的具体损伤情况,采用非线性的因果性分析方法——收敛交叉映射方法,区别于传统的基于线性模型的脑网络分析方法,研究在静息状态下阿尔茨海默症对默认模式网络(DMN)、中央执行网络(CEN)和显著网络(SN)中各个脑区之间因果性连接的影响,以及这种变化与临床认知水平指标之间的关联性。研究结果显示,静息状态下阿尔茨海默症患者的DMN、CEN和SN网络脑区之间的因果性连接普遍降低,而DMN和CEN网络中的因果性连接变化与认知行为相关性较强。本文研究从动力学角度探索了阿尔茨海默症对大脑3个重要功能网络因果性连接的损伤情况,可为深入理解静息态下AD大脑内在的动力学变化特征提供帮助。     

基于跨模态交叉注意力网络的多模态情感分析方法

挖掘不同模态内信息和模态间信息有助于提升多模态情感分析的性能,本文为此提出一种基于跨模态交叉注意力网络的多模态情感分析方法。首先,利用VGG-16网络将多模态数据映射到全局特征空间;同时,利用Swin Transformer网络将多模态数据映射到局部特征空间;其次,构造模态内自注意力和模态间交叉注意力特征;然后,设计一种跨模态交叉注意力融合模块实现不同模态内和模态间特征的深度融合,提升多模态特征表达的可靠性;最后,通过Softmax获得最终预测结果。在2个开源数据集CMU-MOSI和CMU-MSOEI上进行测试,本文模型在七分类任务上获得45.9%和54.1%的准确率,相比当前MCGMF模型,提升了0.66%和2.46%,综合性能提升显著。     

频域注意力机制下的癫痫脑电信号分类

为提高癫痫脑电信号特征分类的准确率,基于残差网络结构的深度学习,提出了一种频域注意力机制下的癫痫脑电信号分类(FDAM)算法。首先分析所提取的脑电信号特征,然后根据信号特征主要分布在时频域的幅值中的特点,通过残差网络对时频域幅值特征进行二次提取,最后为了使残差网络提取的特征集中在与分类结果相关性较大的频域,设计了一种频域注意力机制,在深度学习过程中增强该类频域的幅值特征,有效提高了癫痫脑电信号的分类准确率。采用公开数据库PhysioNet中的CHB-MIT Scalp EEG Database数据库对算法的分类性能进行了验证,实验结果表明,FDAM算法对正常状态和癫痫发作状态的脑电信号分类准确率达到98.05%,特异性为99.34%,灵敏度为96.12%。     

最小生成树脑网络分析及自闭症分类研究

不同年龄的自闭症患者所表现出来的临床表征差异很大,但这些差异在影像学指标上却难以发现。为了解决这一问题,在静息态功能脑网络基础上,引入最小生成树分析方法,利用度、介数、离心率三个节点指标,对不同年龄分组(儿童-青少年,青少年-成人)之间进行差异分析。进而,根据统计显著性差异提取分类特征,结合SVM分类算法,构建一个准确率较高的模型。结果表明,在两组(儿童-青少年,青少年-成人)对比分析中均得到显著性差异区域,分类准确率分别为80.38%和81.88%.该方法为自闭症不同年龄患者影像学分析及辅助诊断提供了新的方法和思路。     

基于简单无参注意力卷积神经网络的涡旋光束模态识别

由于大气湍流的影响,涡旋光在大气中传播时会产生相位畸变,造成接收端模态检测困难,导致通信系统的可靠性降低。为提高涡旋光束模态检测准确率,提出了利用简单无参注意力卷积神经网络(S-ConvNeXt)检测拉盖尔-高斯光束模态的算法。结果发现：该网络可有效聚焦于关键亮斑特征。当光束分别经过较弱湍流、中等湍流、较强湍流和强湍流传输2 km后,本征态检测准确率分别为100%、98.8%、96.4%和89.7%,叠加态检测准确率分别为100%、99.8%、98.8%和96.5%。在强湍流下,S-ConvNeXt网络本征态检测准确率比ResNet50、ShuffleNetV2、ConvNeXt网络分别提高5.7%、3%、1.2%,叠加态检测准确率分别提高5.7%、4%、0.9%。S-ConvNeXt网络能够有效提高模态检测准确率,尤其在强湍流条件下表现更好。