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.     

基于多超图融合的超图神经网络模型构建及阿尔兹海默病分类

针对目前超图神经网络构建方法单一化,导致被试特征间的交互信息无法表征,从而影响超图神经网络模型分类性能的问题。本文提出一种多超图融合技术,融合多个超图为一个超图,从而互补多个超图各自所表征的高阶特征,以此来提高超图神经网络模型的分类性能。具体来说,基于结构磁共振成像数据,使用基于稀疏表示的LASSO方法,稀疏组LASSO方法以及覆盖组LASSO方法进行超图构建,然后分别基于超图融合技术将三个单一超图进行融合。接着基于融合的超图,构建超图神经网络模型,最终用于阿尔兹海默症及轻度认知障碍的分类。实验结果表明,本文所提方法的分类准确率达到79.21%,证明了该方法在阿尔兹海默症及轻度认知障碍的分类有较高的准确性和泛化性。     

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。     

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.     

基于格兰杰因果分析的MCI脑网络分类研究

使用静息态fMRI脑数据,构建了基于格兰杰因果分析的有向功能脑网络,对正常对照组和轻度认知障碍的早期和晚期进行识别。在特征选择部分,有向脑网络的局部属性和全局属性被施以双样本t检验,三组间具有显著差异的属性被选作分类特征;接着,支持向量机算法被应用于后续的分类。最后,运用单因素方差分析探测三组间两两均具有显著差异的脑区信息。实验结果表明,本研究取得了较好的分类效果,颞中回、楔前叶、海马旁回等许多脑区在3个考察组中均体现出了显著性差异,这与已有研究的结果基本一致。     

阿尔茨海默病大脑皮层的磁共振影像分析

阿尔茨海默病是一种进行性神经退化痴呆症,其特征是大脑皮层厚度萎缩和认知功能逐步下降。通过分析阿尔茨海默病患者及其早期症状轻度认知障碍患者的大脑皮层厚度变化,我们可以了解该疾病的发生发展机理,为临床早期诊断和预防提供帮助。核磁共振成像技术的出现为我们对该疾病大脑皮层变化模式的研究提供了很好的手段。本文工作是从图像处理的角度分析了阿尔茨海默病和轻度认知障碍患者大脑皮层磁共振影像结构。     

深度神经网络在阿尔兹海默病预测中的应用分析（英文）

综述了深度神经网络方法在阿尔兹海默病分类和预测中的应用.首先,描述了深度神经网络方法在阿尔兹海默病分类和预测中的优势.其次,介绍了深度神经网络方法在阿尔兹海默病分类和预测中的具体应用,重点介绍了文献中使用的深度神经网络模型、数据类型、研究人群和特征类型等,并比较它们在AD/MCI分类中的表现.最后,预测了该领域未来的发展趋势和挑战.     

一种基于白帽变换的细小水体信息提取方法

提出一种基于形态学白帽变换的线性特征增强处理技术,从而有效提取遥感影像中的细小水体信息.通过白帽变换对改进的归一化差异水体指数(MNDWI)影像进行线性特征增强处理,获取形态学细小水体指数(MNWI)特征影像,并采用经验阈值和自动阈值相结合的方式实现水体样本信息双阈值分割提取,解决细小水体与线状道路容易混淆的问题.利用多幅Landsat影像测试本文方法,结果表明,本文方法能较好地提取细小水体信息,较好地保持细小河道形态的连续性,细小水体提取精度达到80%以上.     

阿尔茨海默病相关药物靶点和临床治疗进展

阿尔兹海默病(Alzheimer’s disease, AD),俗称老年痴呆症,是一类典型的神经退行性疾病,是导致认知障碍的主要原因.目前阿尔兹海默病的发病机制仍不清楚.AD的典型病理特征是患者大脑中出现β-淀粉样蛋白(amyloid-β, Aβ)聚集形成的老年斑、tau蛋白过度磷酸化形成的神经元纤维缠结、神经元及突触的功能失调、大脑中的长期慢性炎症,最终发生退行性病变等.因此人们针对其病理特征提出了四大阿尔兹海默症发病机制假说,即Aβ假说、tau蛋白假说、神经递质失调假说以及慢性炎症假说.基于这些假说,科研工作者开发了大量基于不同病理机制的药物.本文将重点展示近四年来备受瞩目的阿尔兹海默病治疗药物的研究进展和临床试验结果,并总结探讨基于不同病理机制的药物研发的最新进展.综合阿尔兹海默病药物的研发情况可以使科研工作者更好地了解药物研发的困难,从而揭示药物研发的正确方向,同时也可以为阿尔兹海默病发病机制的探究提供有价值的线索.     

丁苯酞对血管源性轻度认知障碍患者 认知功能及脑血流量的影响

目的观察丁苯酞治疗血管源性轻度认知障碍患者的疗效及其对认知功能及脑血流量的影响.方法选取92例血管源性轻度认知障碍患者作为研究对象,采用系统抽样法将患者分为对照组和研究组,每组46例.给予对照组患者吡拉西坦治疗,给予研究组患者丁苯酞治疗,对两组患者的临床疗效、不良反应、治疗前后认知功能及脑血流速度进行观察分析.结果两组患者疗效比较研究组优于对照组(P0.05);两组患者的不良反应比较差异无统计学意义(P0.05);两组患者治疗前认知功能及脑血流速度比较差异无统计学意义(P0.05);两组患者治疗后认知功能及脑血流速度比较研究组优于对照组(P0.05).结论应用丁苯酞治疗血管源性轻度认知障碍,临床疗效明确.     

维持性血液透析患者轻度认知功能障碍的研究

探讨了维持性血液透析（maintenance hemodialysis,MHD）患者轻度认知障碍（mild cognitive impairment,MCI）的特点。采用横断面研究方法,对40例维持性血液透析患者及38例健康对照者采用中文版蒙特尔认知估量表（Montreal Congitive Assessment,MoCA）进行认知功能评定。结果得出,维持性血液透析患者轻度认知障碍表现为多个领域,发生率高,与对照组比较,差异有统计学意义（P〈0.05）。轻度认知功能障碍是维持性血液透析患者一种常见的并发症,早期筛查、诊断,及时干预意义重大。     

阿尔兹海默病患者海马表面形态学特征提取

通过海马表面形态学来研究阿尔兹海默病患者海马表面的萎缩形态特征.首先,对57名阿尔兹海默病患者在基线和第12个月两个时间点的结构磁共振影像进行预处理,分割出海马体.接着,计算海马表面两个时间点的贝尔特拉米指标.最后,用独立成分分析提取海马表面贝尔特拉米指标的局部特征.实现了阿尔兹海默病患者海马表面的形态学特征提取,并用于分类.贝尔特拉米指标的可视化结果表明,贝尔特拉米指标能够检测阿尔兹海默病患者海马表面的萎缩.     

基于智能影像基因组学技术的阿尔茨海默病预测进展

 阿尔茨海默病（AD）起病隐匿,目前尚无有效控制病情进展以及治疗的药物或方法。在其发病轻度认知功能障碍阶段早期预测进行干预,则能有效控制其病程。从基于脑影像组学特征的AD早期临床诊断、基于人工智能影像组学技术的AD早期预测两个方面综述了AD的早期诊断与预测研究进展,提出结合多模脑核磁共振影像特征和组学特征,在深度学习的框架下,将影像学和基因组学联系在一起,构造高分类与预测性能的深度学习模型,可为AD早期筛查并干预提供支持。     

基于频域显著性方法和ELM的遥感影像变化检测

提出一种基于频域显著性(FDS)方法和极限学习机(ELM)方法进行遥感影像变化检测的方法.首先,对利用变化矢量分析方法(CVA)获取不同时相遥感影像的光谱特征差异图及纹理特征(灰度共生矩阵法)差异图进行融合获得差异影像(DI);然后,利用频域显著性方法获取差异影像的显著性图,采用模糊c均值(FCM)聚类算法对显著性图选取阈值得到的粗变化检测图进行预分类(变化像素、未变化像素、待定像素);最后,从光谱及纹理特征影像上提取变化像素和未变化像素的邻域特征作为可靠样本进行ELM训练,并利用训练好的ELM分类器对粗变化检测图进行变化检测,得到最终的变化检测图.通过对高分辨率遥感影像数据实验结果表明本方法的变化检测精度及性能优于其他对比方法.     

基于LSTM与注意力结构的肺结节多特征抽取方法

对肺结节的形状特征、边缘特征和内部特征进行准确分类,能够辅助影像科医生的日常诊断工作,提高影像报告的书写效率.针对这一问题,提出一种基于长短时记忆(LSTM)结构与注意力结构的多任务分类模型.该模型通过注意力机制融合各个任务间的共享特征,提高当前任务的特征抽取效果.LSTM结构分类器能够有效地筛选任务间的共享特征,提高模型的信息传递效率.实验表明,相较于传统多任务结构,所提模型在公开数据集LIDC-IDRI上能够取得更好的多特征分类效果,辅助医生快捷地获取肺结节特征信息.     

基于增量稀疏核极限学习机的发动机状态在线预测

针对发动机状态在线预测中样本累积、预测模型膨胀和在线更新速度慢等问题,提出了基于增量稀疏核极限学习机的在线预测方法.该方法定义了KELM核函数矩阵的稀疏测量矩阵,并根据矩阵原子相干最小化和自信息量最大化的样本信息度量准则实现在线样本前向稀疏与后向删减,提高了样本稀疏化效率.利用有效样本对测量矩阵在最佳阶数内进行在线扩充与修剪,限制了预测模型膨胀.利用改进的增量建模方法对模型的核权重矩阵进行递推更新,从而建立规模有限且结构稀疏的在线预测模型,提高了在线建模速度.仿真数据和发动机状态参数在线预测实验结果表明,与现有在线预测方法相比,ISKELM具有更高的样本稀疏化和在线建模效率.对发动机排气温度进行120步预测时,预测速度分别提高了80.50%和31.72%,预测精度分别提高了48.56%和15.81%.      

基于多尺度分层联合的泥石流物源信息精细化提取方法

针对泥石流物源分布破碎、赋存条件复杂的特点以及泥石流防治工程中物源信息精度需求高的问题,提出一种面向对象的分层联合信息提取方法,其综合样本分类器能实现模糊分类的优点和规则分类器在地物空间信息提取方面的便利性,联合样本分类与规则分类两种影像信息提取手段;根据不同地物间的特征差异,遵循由粗至细、去伪存真的处理原则,分阶段、分层次处理影像信息,逐层剔除无关地物信息的同时提取目标地物信息,从而实现泥石流物源类型及其空间分布特征的精细化提取.以西部高寒干旱地区某泥石流沟的无人机遥感影像为试验数据,对所提多尺度分层联合信息提取方法进行验证,结果表明降低了不同地物间的混淆,提高了分类结果精度,为破碎分布型泥石流物源信息的精细化提取提供了新方法和思路.     

支气管哮喘患者肠道菌群多样性变化

 为了阐释支气管哮喘患者肠道菌群多样性及结构组成特征,探究肠道菌群与哮喘病的相互关系,以52例哮喘急性发作期患者及25例对照开展病例-对照研究.采集粪便样品,运用PCR-DGGE指纹图谱技术分析粪便菌总DNA,得到反映肠道微生物菌群结构特征的DNA指纹图谱.结果表明,哮喘个体样本的肠道菌DNA条带数量7—31条不等,平均只有17条;对照组样本个体的DNA条带数量14—36条不等,平均24条.哮喘患者肠道菌群的Shannon-Wiener多样性指数显著低于对照组(P＜0.0001).多变量统计分析表明,哮喘组肠道菌群结构组成显著区别于对照组,两组样本分类明显.两组内不同民族、性别间的差异无统计学意义.研究表明,哮喘患者的肠道菌群在分子水平上发生明显改变,多样性显著降低,肠道菌群结构改变与哮喘病有关;PCR-DGGE技术结合PCA、PLS-DA多变量统计分析手段具有预测性、先行性的优势,适用于菌群结构未知样品的研究.     

基于模糊粗糙集的半监督影像分类算法

针对影像分类中少量标记样本问题,提出了基于模糊粗糙集的影像半监督分类算法.首先,通过模糊粗糙集对数据的粗糙性与模糊性进行建模,采用归一化的模糊互信息来度量特征与类别信息的相关性,并利用模糊上下近似度量样本的类别隶属度;然后,结合归一化的模糊互信息改进正则化框架下的特征评价方法,在谱图分析的半监督特征选择框架下实现特征优选;其次,结合近邻约束提高模糊上下近似预测样本类别的准确性,设计基于模糊粗糙集的约束自学习,选择信息量大的未标记样本更新训练样本集;最后,利用新的样本集训练分类器,完成影像分类任务.多组实验表明所提算法能够在少量标记样本的条件下有效提高影像的分类精度.     

基于邻接谱主分量分析的肿瘤分类方法

基于谱图理论展开针对基因表达谱数据的分类研究,将反映图结构的特征表示引入到基因表达谱数据分类中,从而高维空间离散点分布问题便可以转化成为具有结构信息的图问题.文中对基因表达谱数据样本点构造高斯权邻接矩阵,SVD分解后,采用特征记分准则进行筛选,找出最大限度区分肿瘤样本与正常样本的主分量作为样本特征,输入KNN分类器进行分类,通过对白血病两个亚型(ALL与AML)与结肠癌表达谱数据进行实验,证明了文中方法的可行性与有效性.