论文部分内容阅读
阿尔茨海默病(Alzhermer’s disease,AD)是一种不可逆的神经退化性疾病。目前AD的病因仍然不明,研究表明beta淀粉样蛋白沉淀(amyloid-beta,Aβ)是AD患者大脑的显著特征之一,检测Aβ对AD的早期诊断具有十分重要的意义。近年来,作为活体人脑Aβ显像技术,碳11-匹兹堡复合物B正电子发射断层扫描(Carbon 11-labeled Pittsburgh compound B Positron Emission Tomography,11C-Pi B PET)显像技术被广泛地应用在AD的诊断,分类和康复评估。但是,目前医生基于11C-Pi B PET技术对AD诊断大多采用主观视觉评估,依赖医生经验,耗时且客观性差,无法追踪AD患者病情。因而一种基于Pi B PET图像的AD计算机辅助分析(Computed Aided AD Diagnosis,CAAD)工具对于临床AD诊断具有重要的实践意义。本研究提出一种基于11C-Pi B PET图像的CAAD方法,该方法包含4个模块:11C-Pi B PET图像预处理;基于结构先验阈值的3D格子波尔兹曼(3D Thresholding based Lattice Boltzmann Method,3D T-LB)算法的Aβ感兴趣区域(Regions of Interest,ROIs)快速分割;基于主成分分析(Principal Component Analysis,PCA)和支持向量机-递归特征消除(Recursive feature elimination using the support vector machine,RFE W-map)方法的特征提取与选择;以及基于机器学习的SVM分类器。为了验证该CAAD方法的可行性和临床意义,本研究选取了华山医院和ADNI数据库共计149组11C-Pi B PET临床数据,针对CAAD中的4个模块分别进行实验验证:在预处理方面,采用临床医生和相关专业研究生的视觉评估实验验证;在ROIs分割方面,通过建立临床医生手工分割的金标准,将3D T-LB算法与PET图像中常见的分割算法对比;在特征提取和选择方面,将所提取的特征与临床精神筛查量表做统计分析,验证其临床病理学意义,并且对比了不同特征选择算法的分类性能;在分类器方面,本研究采用留一法交叉验证,同时对比三种不同的分类器对AD、MCI和HC样本的诊断准确率。结果表明,该CAAD的4个模块均能达到较理想的结果。在预处理方面,与医生和专家的视觉评估结果保持较好的一致性;在ROIs分割方面,基于3D T-LB的快速分割算法在效率和准确率上要优于其他算法,同时与金标准比较时能达到88%以上准确率;在特征提取和选择方面,所得到的特征与临床精神量表具有较好的相关性和显著的统计学意义,同时基于RFE W-map特征选择算法所得特征的分类性能最佳;在分类验证方面,基于多项式核的SVM分类器对不同的AD、MCI和HC分组都能得到最佳的分类效果。作为最终结果,本文提出的CAAD方法针对AD的分类结果可达到95.97%,优于视觉评估和文献中基于其他医学图像的CAAD分类准确率,且该方法在时耗方面能满足临床需求。