基于磁共振成像的多變量模式分析方法學與應用研究.pdf

1、通過影像數(shù)據(jù)分析，傳統(tǒng)基于組比較的單元分析發(fā)現(xiàn)神經(jīng)精神疾病大腦結(jié)構(gòu)和功能的改變。但是單元分析方法只能在組水平進行推斷，導致這些發(fā)現(xiàn)對臨床診斷的價值非常有限。而且，目前多數(shù)神經(jīng)精神疾病的診斷都依據(jù)其臨床癥狀，還沒有客觀的生物學標記物。因此，如果想讓神經(jīng)影像學的發(fā)現(xiàn)更好地應用于臨床診斷，就必須提供個體水平的預測。本文主要以磁共振數(shù)據(jù)為載體，以多元模式分析（Multivariate Pattern Analysis, MVPA）方法學為手段，

2、介紹了結(jié)構(gòu)特征、功能特征，以及結(jié)構(gòu)-結(jié)構(gòu)、功能-功能、功能-結(jié)構(gòu)特征融合在腦模式識別研究中的應用。同時，在不同程度上對MVPA方法進行了改進和創(chuàng)新，將其運用到神經(jīng)、精神疾病中進行個體水平的診斷并探測這些疾病的病理生理機制。本文內(nèi)容主要包括5個部分：
　　1.針對不同治療反應的重度抑郁癥患者（Major Depressive Disorder, MDD）的結(jié)構(gòu)磁共振圖像（Magnetic Resonance Imaging，MRI）

3、數(shù)據(jù)，提出 Searchlight算法與主成分分析（Principal Component Analysis，PCA）相結(jié)合的特征選擇方法。從腦結(jié)構(gòu)MRI中提取灰質(zhì)、白質(zhì)體積作為特征，使用提出的方法進行特征選擇并用支持向量機（Support Vector Machine，SVM）進行分類。實驗結(jié)果表明提出的MVPA方法優(yōu)于其它比較流行的方法。采用灰質(zhì)與白質(zhì)體積作為特征信息區(qū)分不同治療反應MDD患者的準確率均為82.9％。另外，采用灰質(zhì)體

4、積特征信息從健康對照中區(qū)分難治型、易治型MDD的準確率分別為85.7%和82.4%；采用白質(zhì)體積作為特征信息從健康對照中區(qū)分難治型、易治型 MDD的準確率分別為85.7%和91.2%。額、頂、顳、枕葉和小腦一些區(qū)域的灰質(zhì)和白質(zhì)體積對MDD具有較高的診斷和預后能力。該方法可能為MDD的診斷和預后提供了一個新途徑。
　　2.針對社交焦慮障礙（Social Anxiety Disorder, SAD）的靜息態(tài)功能MRI數(shù)據(jù)，提出使用大尺

5、度功能腦網(wǎng)絡對其建立診斷模型的方法。通過靜息態(tài)功能 MRI數(shù)據(jù)構(gòu)建大尺度功能連接網(wǎng)絡并將其作為分類特征。然后，采用 F分值法進行特征排序并利用SVM進行分類。實驗結(jié)果表明對SAD患者的正確區(qū)分率為82.5%，敏感度為85%，特異度為80%。同時，發(fā)現(xiàn)用于區(qū)分SAD病人的一致連接主要位于幾個靜息態(tài)網(wǎng)絡內(nèi)部或者之間的連接，包括：默認網(wǎng)絡、視覺網(wǎng)絡、感覺運動網(wǎng)絡、情感網(wǎng)絡以及小腦區(qū)。此外，右側(cè)眶額皮層在分類過程中占了最高的權(quán)重。這些發(fā)現(xiàn)為確定

6、SAD潛在的生物學標記物提供了一定的依據(jù)。
　　3.針對傳統(tǒng)基于 LASSO特征選擇法的局限性，提出高階圖匹配的特征選擇方法，并用老年癡呆癥（Alzheimer's Disease，AD）神經(jīng)影像學（Alzheimer's Disease Neuroimaging Initiative，ADNI）數(shù)據(jù)進行驗證?；贚ASSO的特征選擇法對每個樣本的目標向量進行獨立的估計而沒有考慮與其它樣本的聯(lián)系，從而忽略了訓練集目標向量之間的幾何

7、關系。同時，預測向量與目標向量應該有相似的幾何關系。將這個問題看作預測圖與目標圖之間的圖匹配問題，通過提出二元關系正則項和三元關系正則項解決了LASSO特征選擇法的不足。本文采用灰質(zhì)體積和皮層厚度作為分類特征，由高階圖匹配方法對兩種特征分別進行特征選擇并用多核學習法進行特征融合。該方法對AD和輕度認知障礙（Mild Cognitive Impairment，MCI）分類分別得到了92.17%和81.57%的準確率，優(yōu)于基于 LASSO的

8、特征選擇法，這驗證了方法的有效性。
　　4.針對創(chuàng)傷后應激障礙（Post-traumatic Stress Disorder, PTSD）的靜息態(tài)功能MRI數(shù)據(jù)，提出融合多水平特征對其進行分類的方法。從靜息態(tài)功能MRI中提取出3個水平（區(qū)域內(nèi)，區(qū)域間和全腦）的特征，采用t檢驗與SVM遞歸特征消除（Recursive Feature Elimination，RFE）相結(jié)合的方法進行特征選擇，并用多核SVM融合多水平功能特征進行分類。

9、實驗結(jié)果表明每個水平的特征都能成功的區(qū)分PTSD病人，通過多水平特征的融合可以進一步提高分類的性能。所提出的模型對PTSD分類得到的準確率為92.5%，比只使用2個水平特征和1個水平特征的準確率分別至少高5%和17.5%。而且，發(fā)現(xiàn)邊緣系統(tǒng)和前額葉皮層為分類提供了最具有區(qū)分力的特征。該研究可能為改善PTSD的臨床診斷提供了一個補充的方法。
　　5.針對以往多模態(tài)數(shù)據(jù)分類問題中特征選擇的局限性，提出約束模態(tài)間關系的多模態(tài)多任務特征選

10、擇方法，并使用 ADNI數(shù)據(jù)進行驗證。傳統(tǒng)的多模態(tài)分類問題中的特征選擇法往往在每個模態(tài)內(nèi)部單獨進行，并沒有考慮到不同模態(tài)之間特征選擇的關系。因此，提出將每個模態(tài)中進行的特征選擇作為一個任務，在特征選擇時對模態(tài)間的關系進行約束，并保持模態(tài)內(nèi)部選擇特征的稀疏性。在特征方面，從正電子發(fā)射斷層成像（Positron Emission Tomography，PET）中提取出區(qū)域平均代謝強度，結(jié)構(gòu)MRI中提取出區(qū)域平均灰質(zhì)體積作為分類特征。由提出的