一种基于支持向量机的轻度认知障碍自动判别分析方法
【专利摘要】本发明涉及一种基于支持向量机的轻度认知障碍自动判别分析方法，本发明利用多项检测指标数据（包括静息态fMRI、结构MRI、神经心理学检查数据），采用功能连接分析（FunctionalConnectivity,FC）、基于体素的形态学分析（Voxel-basedMorphometry，VBM）、纤维束示踪的方法（FiberTractography）提取静息态功能连接特征、灰质结构特征及白质纤维连接特征，进而基于粗糙集方法进行特征约简，最后基于支持向量机（SVM）方法对多模态MRI数据进行构建分类器，实现对轻度认知功能障碍的自动判别分析，提高对轻度认知功能障碍的诊断准确性，在实验数据上达到了诊断准确率90%以上，这一方法可被应用于实际临床诊断中。
【专利说明】一种基于支持向量机的轻度认知障碍自动判别分析方法
【技术领域】
[0001]本发明涉及一种基于支持向量机的轻度认知障碍自动判别分析方法，属于疾病诊断【技术领域】。
【背景技术】
[0002]阿尔茨海默病(Alzheimer’ s Disease, AD)是一种致死性神经退行性疾病,在老年人群中发病率很高，但目前尚没有有效的治疗方法。轻度认知功能障碍(Mild CognitiveImpairment, MCI)被认为是介于正常老化与AD间的一种临床状态。若能在轻度认知功能障碍阶段进行早期识别和诊断，则有助于延缓疾病进展、改善症状和提高生活质量。
[0003]已有一些研究初步探讨了基于磁共振(Magnetic Resonance Imaging, MRI)对轻度认知功能障碍进行诊断研究。然后多数研究都是基于成组被试的，难以实现对患者的个体诊断。近几年，一些研究尝试采用模式识别方法对轻度认知功能障碍患者进行判别分析。这些研究多采用一般线性分类器或只应用了单模态MRI特征，分类效果(特异性、准确性)均难以达到临床应用的要求。因而，目前仍没有有效的方法可以实现对轻度认知功能障碍患者的自动判别。
[0004]与传统的线性分类方法不同，支持向量机(Support Vector Machine, SVM)根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以求获得最好的推广能力。SVM将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小(如图1)。因而，SVM支持向量机在解决小样本、非线性及高维模式识别中表现出许多特有的优势。目前支持向量机技术已经在许多领域(生物信息学、地球物理、天气预报、文本和手写识别等)都取得了成功的应用。
[0005]我国进入老龄化阶段，阿尔茨海默病严重影响老年人的生活，目前尚无有效的治疗方法，提高阿尔茨海默病早期阶段的诊断准确性对于早期诊断和早期干预、延缓患者的病情进展至关重要。
[0006]在应用磁共振(Magnetic Resonance Imaging, MRI)技术对阿尔茨海默病进行鉴别诊断研究中发现，很难利用一般线性分类器及单模态MRI特征将轻度认知功能障碍和健康老年人线性地鉴别开来，判别效果(特异性、准确性)难以达到临床诊断的要求。目前仍没有有效的方法可以实现对轻度认知功能障碍患者的自动判别。
【发明内容】
[0007]本发明利用多模态MRI特征数据(包括静息态fMR1、结构MR1、DTI)及神经心理学检查数据，首先分别采用功能连接分析(Functional Connectivity, FC)、基于体素的形态学分析(Voxel-based Morphometry, VBM)、纤维束不踪的方法(Fiber Tractography)提取静息态功能连接特征、灰质结构特征及白质纤维连接特征，进而基于粗糙集方法进行特征约简，最后基于支持向量机(SVM)方法对多模态MRI数据进行构建分类器，从而实现对轻度认知功能障碍的自动判别分析，从而提高对轻度认知功能障碍的诊断准确性。
[0008]研究表明，默认网络(Default Mode Network,DMN)活动异常是轻度认知功能障碍和阿尔茨海默病的一种可靠的影像学标志。本发明围绕默认网络区域，提取功能和结构多模态特征，在基于粗糙集的特征约简的基础上，基于支持向量机构建轻度认知功能障碍和健康老年人的自动判别模型。
[0009]为了实现上述目的，本发明的技术方案如下。
[0010]一种基于支持向量机的轻度认知障碍自动判别分析方法，具体包括以下步骤。
[0011](I)定义默认网络兴趣区:
基于Michael D.Fox在2005年美国科学院院刊上列出了 12个双侧脑区的默认网络兴趣区的坐标(见表1)。ROI定义方法如下:将Talairach坐标转换为MNI坐标；以半径为9mm,分别定义12个球体；分别将每个球体与相应的布罗德曼分区(Brodmann Area, BA)求交集(如，将基于PCC坐标定义的球体与BA 31求交集)，进而得到最终的兴趣区。
【权利要求】
1.基于支持向量机的轻度认知障碍自动判别分析方法，具体包括以下步骤: (1)定义默认网络兴趣区； (2)计算默认网络功能连接特征； (3)计算灰质萎缩； (4)计算白质纤维联系特征； (5)基于粗糙集的特征约简； (6)构建基于向量机的轻度认知障碍-健康对照分类器。
2.如权利要求1所述的一种基于支持向量机的轻度认知障碍自动判别分析方法，其特征在于，步骤(I)中，基于Michael D.Fox在2005年美国科学院院刊中所列出的12个双侧脑区的默认网络兴趣区的坐标来定义默认网络兴趣区(见说明书表I);其中ROI (Regionof Interest,感兴趣区)定义方法如下:将Talairach坐标转换为MNI坐标；以半径为9mm,分别定义12个球体；分别将每个球体与相应的布罗德曼分区(Brodmann Area, BA)求交集(如，将基于PCC坐标定义的球体与BA 31求交集)，进而得到最终的兴趣区。
3.如权利要求2所述的一种基于支持向量机的轻度认知障碍自动判别分析方法，其特征在于，步骤(2)中，基于静息态fMRI数据计算兴趣区间的功能连接；计算12个默认网络兴趣区间的两两相关性(基于Pearson相关，公式如图2所示)，然后将相关系数进行Fisher-z变换(z = 0.5[ln(l+r) -1n (l_r)]),使其尽可能符合正态分布。
4.如权利要求3所述的一种基于支持向量机的轻度认知障碍自动判别分析方法，其特征在于，步骤(3)中，采用基于体素的形态学分析(Voxel-based Morphometry,VBM)对3DMPRAGE数据进行分析:分别分割灰质、白质和脑脊液，然后计算每个体素的灰质密度；提取上述12个ROI及双侧海马的灰质密度值，作为分类特征。
5.如权利要求4所述的一种基于支持向量机的轻度认知障碍自动判别分析方法，其特征在于，步骤(4)中，基于DTI (Diffusion Tensor Imaging,扩散张量成像)数据进行纤维束示踪分析；首先基于连续示踪纤维分配(Fiber Assignment by Continuous Tracking,FACT)进行12个ROI两两间的白质纤维束示踪；进而提取这些白质纤维束的走行方向、数量等信息作为分类特征。
6.如权利要求5所述的一种基于支持向量机的轻度认知障碍自动判别分析方法，其特征在于，步骤(5)中，采用基于分明矩阵的粗糙集属性约简方法进行特征降维；算法的伪代码如下:对于一个决策表信息系统IS= (U，A, V, f)，求其约简RED (A)，相关步骤可以用图3表示。
7.如权利要求6所述的一种基于支持向量机的轻度认知障碍自动判别分析方法，其特征在于，步骤(6)中，将上述步骤中所有特征值分别进行归一化处理，作为支持向量机的输入；采用leave-one-out交叉验证方法构建分类器；以平均预测正确率为模型的诊断准确率；SVM的伪代码如图4所示。
【文档编号】G06K9/62GK103942567SQ201410159951
【公开日】2014年7月23日 申请日期:2014年4月22日 优先权日:2014年4月22日
【发明者】张擎, 梁佩鹏 申请人:张擎