论文部分内容阅读
阿尔兹海默症(Alzheimer’s Disease,AD)是一种起病隐匿且不可逆的神经系统退行性疾病,其多发于65岁以上的人群,是当今世界最为普遍的一种痴呆症。2016年,全球痴呆患者人数已达4700万人,其中50%-75%为阿尔兹海默症患者。目前,中国的阿尔兹海默症患者人数已居世界第一,同时中国也是全球增速最快的国家之一。然而,阿尔兹海默症的诊疗率却与发病情况呈强烈反差,全球阿尔兹海默症及其它类型痴呆患者中,仅有22%接受过诊断。在中国这个比例更低,有49%的病例被误认为是自然老化,仅21%的患者得到了规范诊断,仅19.6%接受了药物治疗。而且就目前的医疗水平,阿尔兹海默症是一种无法治愈的疾病。因此,对阿尔兹海默症进行早期诊断,早期预防与干预治疗是非常重要的。轻度认知障碍(Mild Cognitive Impairment,MCI),是前人所提出的阿尔兹海默症的一种前驱状态,是介于正常衰老与痴呆之间的一种中间状态。轻度认知障碍可作为阿尔兹海默症的“预报器”,如果能及早发现此状态并给予适当的干预治疗,就可以延缓阿尔兹海默症的进展。所以,正确诊断阿尔兹海默症,尤其是正确诊断其早期阶段的轻度认知障碍,对阿尔兹海默症的预防、早期发现与治疗干预至关重要。为了识别阿尔兹海默症与轻度认知障碍患者,本文提出了一种基于支持张量机(STM)的分类器,以T1加权MRI脑图像灰质灰度为特征的诊断方法。该分类器以三维(3D)的脑灰质图像作为模型输入,用STM迭代算法训练分类器每一模的权向量进而进行分类。采集了 70例AD患者,112例MCI患者(包含在随访中转化为AD的,MCI-C:MCI Converters与未转化为AD的,MCI-NC:MCI Non-converters 各 56 例),以及 70 例正常人(NC)的 T1-Weighted MRI 三维(3D)脑图像。首先提取每个脑图像的灰质来构造每个脑图像的三阶灰质张量,张量大小为95×119×102。采用张量主成分分析法(TPCA)取得三阶灰质张量的低维的主成分张量,并以此主成分张量作为基于STM的分类器的输入进行分类(STM-TPCA)。张量独立成分分析(TICA)也用来提取出三阶灰质张量的独立成分张量以作为基于STM的分类器的输入进行分类(STM-TICA)。考虑到特征之间存在冗余性,因此在支持张量机迭代算法将张量特征转化为向量特征后,递归特征消除法(RFE)用来做特征选择,获得最优特征子集作为分类器的输入进行分类(STM-RFE)。最后,对四组人群进行分类:AD&NC,MCI&NC,AD&MCI,MCI-C&MCI-NC,此分类模型采用10折交叉验证的方法进行训练测试。对于AD与NC的分类,其正确率最高可达91.19%(敏感性92.86%,特异性89.52%);对于MCI与NC的分类,其正确率最高可达83.15%(敏感性91.67%,特异性69.52%);对于AD与MCI的分类,其正确率最高可达82.23%(敏感性65.71%,特异性92.56%);对于MCI-C与MCI-NC的分类,其正确率最高可达77.08%(敏感性77.38%,特异性76.79%)。此外,本文还结合样本的基本信息(年龄、性别、教育程度)与认知分数(Mini-Mental State Exam,MMSE 分数;Alzheimer’s Disease Assessment Scale-cognitive subscale,ADAS-cog分数)进行分类,结果发现结合基本信息与认知分数后分类效果能进一步提升,且对比于Shen与Willette结合多模态数据来作为模型输入的研究,本文方法的分类效果皆更为优异。以上实验结果表明以T1加权MRI脑图像的灰质图像为特征的基于STM的分类器是一种有效的阿尔兹海默症诊断方法;并且基本信息,认知分数与MRI脑灰质图像是相容的,具有很好的互补作用。在实验的过程中,我们发现由于高的张量维数(95×119×102),张量独立成分分析和递归特征消除法的运行速度都比较缓慢,高维特征很大程度上提高了特征提取和特征选择的时间。因此,我们考虑基于13个方向4种距离的灰度共生矩阵(GLCM)的纹理特征(Texture feature)张量(12×13×4)作为基于STM的分类器的输入进行分类(STM-Texture)。此改进方法减少了输入样本张量的维数,从而提升了整个分类模型的运行速度。实验结果表明使用灰度共生矩阵的纹理特征张量作为基于STM的分类器的输入的分类方法,既能保持原本分类方法的优越性,同时也减少了运行时间。