基于腦MR影像不對稱性特征的癡呆癥早期診斷方法研究.pdf

1、癡呆是指慢性獲得性進行性智能障礙綜合征，防治的關鍵是早期無創(chuàng)檢測并干預。阿爾茲海默?。ˋlzheimer's disease，AD）和血管性癡呆（Vascular dementia， VD）是最常見的癡呆類型，輕度認知障礙（Mild cognitive impairment，MCI）和血管性認知障礙（Vascular cognitive impairment，VCI）是介于正常老齡化到 AD和 VD之間的過渡狀態(tài)，會以一定概率轉化為癡呆

2、。在癡呆癥的病變過程中，大腦的不對稱性會發(fā)生改變。因此，探索一種基于大腦不對稱性的癡呆癥早期診斷方法，對于癡呆癥的干預十分重要。
　　磁共振成像技術（Magnetic Resonance Imaging，MRI）能定量地反映大腦不同組織在結構和功能上的變化、表征代謝物濃度，并具有無創(chuàng)、空間分辨率高、無輻射等優(yōu)勢，已廣泛應用于 AD早期診斷。本文提取了多種腦 MR影像的不對稱特征，設計了基于機器學習的封裝式特征學習分類集成模型，對提

3、取的不對稱特征進行特征學習和分類診斷，以獲取更高更穩(wěn)定的癡呆癥分類診斷準確率，為基于MR影像不對稱特征的癡呆早期診斷提供思路。論文的主要工作如下：
　　提出了用于AD和VD早期診斷的封裝式特征選擇分類模型，通過鏈式智能體遺傳算法進行全局特征選擇，以支持向量機分類準確率作為鏈式智能體遺傳算法的適應度值，選擇最優(yōu)特征子集，以降低特征維度，提升分類準確率。
　　對于AD，測試了單個及少量不對稱特征的分類能力，以及優(yōu)良特征的分布。通

4、過對特征選擇前后的特征分類能力進行對比，驗證了封裝式特征選擇分類模型的有效性。分析了正常老齡化到MCI到AD轉化的過程中，對分類意義較為明顯的區(qū)域及特征。
　　對于VD，實現(xiàn)了封裝式特征加權分類模型，通過鏈式智能體遺傳算法進行全局特征權重搜索，以支持向量機分類準確率作為鏈式智能體遺傳算法的適應度值，得到特征集的最優(yōu)權值組合及其分類診斷準確率，并與特征選擇的結果進行比較。
　　本文基于機器學習的方法研究了腦MR影像不對稱特征在