本文是一篇计算机论文,计算机的应用在中国越来越普遍,改革开放以后,中国计算机用户的数量不断攀升,应用水平不断提高,特别是互联网、通信、多媒体等领域的应用取得了不错的成绩。(以上内容来自百度百科)今天为大家推荐一篇计算机论文,供大家参考。
第一章 绪 论
1.1 研究背景和意义
随着磁共振技术的发展,人们对于大脑结构有了更加深刻的认识,并且让我们更加清晰的认识到精神性疾病对大脑结构所造成的损害。尤其是近几年来,图论知识在大脑网络中的应用越来越广泛,为磁共振脑成像事业的发展提供了很大的帮助。通过使用图论的相关技术,对大脑数据进行网络构建,分析大脑网络的相关属性以及信息处理机制,这帮助我们更加深入的了解大脑的内在机制。模式识别技术、机器学习领域的技术发展对于磁共振技术的发展提供了更高的发展平台,在医学图像上,机器学习方法的应用也是越来越广泛,这对于医学病情的诊断提供了辅助功能,并且机器学习算法的优化程度越来越高,也让诊断的准确率越来越高,这让使用机器学习方法通过训练医学图像去诊断和预测疾病成为一种可能。抑郁症(MDD)是在生活中经常遇见的精神性疾病,而且该病的发病率现在也是越来越高,经相关统计显示,抑郁症目前是世界第四大疾病,并将在未来两年内上升为世界第二大疾病[1],这说明整个社会对于抑郁病的治疗和诊断还没有很好的方法,而且抑郁症是一种高概率反复复发的疾病,这对于疾病的治疗添加了更大的困难。在我国,对于抑郁症的医疗防治以及救助才开始起步,根据相关统计,现在对于抑郁症的确诊率还不到 20%,而这其中正在接受治疗的患者更是少之又少,只有不到 10%的人在进行相关治疗。并且,就目前来看,抑郁症的发病年龄开始倾向于低龄化,我们也经常看到报道年轻的明星因为抑郁症而选择自杀。目前的统计结果发现,我国抑郁症患病率在 3%~5%之间,因此,我们需要更加深入的研究抑郁症的致病机理,力求更早一步的发现抑郁症患者所表现出来的症状,让病人得到及时治疗以防出现严重的后果。自闭症(ASD)也是一种较为常见的精神性疾病,其是一种广泛性发育障碍的亚型疾病,该病症状主要表现为不同程度的言语发育障碍,人际交往障碍、兴趣狭窄和行为方式刻板以及智能障碍等[2]。该病在我国的发病率也不少见,但到现在为止,对于自闭症的诊断仍然没有太好的办法。目前对于自闭症的诊断大部分是通过医生对于儿童的平时生长发育史、病史及精神进行检查,并且参考当前国际公认的自闭症诊断标准 DSM-5 进行病症诊断。这对于医生的临床经验要求特别高,而且诊断标准也由医生进行把控,这也为自闭症的诊断产生阻碍,因此,如何快速准确的进行疾病诊断成为病症治疗的关键。
...........
1.2 国内外研究现状
核磁共振成像技术的发展,引起了人们对于大脑网络分析的一个新的高潮,并且在国内外已经有了一系列的研究成果。站在巨人的肩膀上才能眺望更远的地方,因此,本文的相关研究,离不开这些研究成果的指导和帮助。磁共振技术的发展,是大脑研究工作飞速发展的基础,核磁共振图像扫描是通过磁场强度来形成谱线,直接对人体器官进行成像,近年来生产的磁共振机器的磁场强度不断增大,磁共振成像的清晰度也是越来越高。另外,这一技术的最大优势在于直接对人体扫描不会给人体带来任何危害,磁共振扫描不仅仅只提供了大脑的形态结构,而且在静息态或者是任务态下,我们可以清晰的发现大脑的生化信息和血流以及刺激信号等信息,因此在医学上的应用也是越来越广。目前,针对大脑成像的技术有很多种,在对大脑结构像的成像技术上有磁共振技术、弥散张量成像技术等,功能像有 fMRI 技术,还有脑磁图、脑电图等技术的发展,让我们可以利用多种模态信息,对大脑进行不同角度的分析。下面主要介绍利用核磁共振技术所面向的结构像和功能像研究的国内外研究现状,以及目前机器学习方法在脑疾病领域的应用情况。
............
第二章 磁共振成像研究的相关理论与技术
对于大脑磁共振图像的研究,首先应该根据实验目的来设计数据采集参数进行数据采集工作,目前业内比较流行的核磁共振扫描仪多为西门子和 GE 品牌,采集的图像分辨率也是越来越高,而且为了能够更好的进行数据共享和数据采集标准的统一,业内也开始制定统一的参数采集标准,这让大家可以共享到更多的医学图像数据,使得大脑磁共振研究成为真正的大数据集的计算研究,这方便了实验的数据采集工作,并且这样的实验更有可靠性。在对磁共振数据进行分析之前,对数据的整理工作是至为重要的工作步骤,只有对所有数据进行了统一整理和提前预处理,才能更好的进行实验,减小实验误差。本章内容主要介绍对采集得到的磁共振数据需要进行的预处理步骤,以及这些步骤的必要性。另外,本章还将会介绍对于数据处理过程中所需要的理论基础,通过对这些理论的介绍,将使得我们能够更加清晰的理解对大脑磁共振数据处理分析的整个流程,本章最后将简单介绍本文用到的机器学习分类模型的理论知识。
2.1 大脑图像预处理
针对每一个被试,扫描仪所扫描出来的图像是千差万别的,并且每个被试在扫描仪器中的姿势各不相同,为了能够将所有扫描的图像数据规范处理,需要对扫描的图像数据进行相关的预处理工作,筛选出符合实验标准的数据,并且将所有数据进行统一,让整个实验更方便进行,结果也更好进行比较。图像预处理的步骤较多,并且不同的实验设计,预处理的顺序也有所不同,不过主要的数据预处理工作主要包括时间层校正、头动校正、空间标准化、分割、低频滤波、平滑等步骤。具体的操作流程如下描述:(1)格式转换:因为扫描仪所产生的核磁共振的数据格式为 DICOM 格式,而在数据处理时所需要的数据格式为 NIFTI 格式,所以在进行数据处理前首先要做的是对数据格式进行转换,这样才能进行统一的数据实验操作。(2)时间层校正(SliceTiming):磁共振图像数据在采集时,是经过一段时间的扫描,而这段时间内,被试难免有头部移动,为了减少这种影响,一般扫描数据时是一层一层进行扫描的,并且仪器通常会有一定的扫描顺序,为了将多层数据进行整合,需要进行时间层校正处理。在进行时间层校正前,为了排除仪器前期不稳定而对扫描数据产生的影响,一般情况下需要删除掉前期扫描的几个时间点。
........
2.2 大脑网络构建方法
整个大脑是由很多神经元组成,如果只是单独的去分析每一个神经元之间的关系,是非常困难的一件事情。而将图论方法学引入大脑图像研究让这一领域的发展更进一步,因为整个大脑中神经元间交错复杂的连接本来就可以看做是一个网络,在这个复杂的网络中每个神经元都可以看做是该网络中的节点,神经元之间的相互连接可以看做是该网络中的边,这就是本质上的脑结构网络,其可以真实的反映大脑结构连接关系。不过由于神经元数目太多,这对于网络计算和分析带来了很大的挑战。因此,为了简化数据计算量,以及方便网络的构建和定义,目前大脑网络的研究,主要是基于大尺度网络分析,也就是通过构建大脑分区模板,将整个大脑分为多个脑区,利用这些脑区间的相关关系来定义大脑结构网络。目前的研究中,大脑网络的构建方法虽然大致相同,但是其依然还有着不一样的地方,比如大脑分区,如何去划分脑区是一个比较繁琐的工作,业内目前有许多脑区划分模板可以使用,比较流行的脑区划分模板是 AAL 模板,将整个大脑分为90 个区域,另外一个较为常见的模板是在这 90 个脑区的基础上再将小脑划分为26 个区域,总共将大脑分为 116 个脑区。而现在的研究中,越来越细致的脑区划分,可以让我们更加具体的探究各个脑区间的关系,也得到了和以往研究不一样的结论。因此,在本文中的研究过程中,本文采用了两种不一样的模板进行数据分析和网络构建,在第三章对抑郁症结构像的网络分析中,本文使用的是 AAL 模板,而在第四章自闭症网络分析中,本文则使用 Power264 模板,将整个脑区划分为更加细致的 264 个脑区,试图尝试发现一些在 AAL 模板中未曾发现的结果。
........
第三章 基于磁共振成像抑郁症患者的脑网络研究........ 20
3.1 抑郁症数据及数据预处理 ........ 20
3.2 抑郁症灰质图像形态学分析 .... 22
3.3 大脑结构网络构建 ...... 25
3.4 脑结构网络分析 .......... 28
3.5 抑郁症结构网络的脆性分析 .... 34#p#分页标题#e#
3.6 本章小节 ........ 36
第四章 基于多模态磁共振信息的自闭症脑网络研究.... 37
4.1 数据基本信息以及数据预处理 .............. 37
4.2 自闭症结构像形态学分析 ........ 39
4.3 自闭症结构网络分析 ................ 41
4.4 自闭症大脑信号活动分析 ........ 45
4.5 自闭症大脑功能网络分析 ........ 49
4.6 结构网络与功能网络关系分析 .............. 55
4.7 本章小结 ........ 59
第五章 机器学习方法在精神疾病诊断中的应用............ 60
5.1 基于结构磁共振的抑郁症患者诊断 ...... 60
5.1.1 实验设计............ 60
5.1.2 实验结果分析.... 62
5.2 基于多模态信息融合的自闭症诊断 ...... 63
5.3 本章小结 ........ 71
第五章 机器学习方法在精神疾病诊断中的应用
随着核磁共振技术的飞速发展,在对于大脑核磁共振扫描时,不再是单独扫描一种成像方式的图像去分析,多模态磁共振成像可以更好的分析病症,这也为使用机器学习方法诊断精神疾病提供了很大的帮助。精神疾病的诊断,目前大多是通过医生的临床经验来诊断的,没有一个非常严格的标准,因此,使用机器学习方法进行精神疾病辅助诊断,是未来发展的重要方向。在第三章和第四章中,分别分析了抑郁症结构像、自闭症结构像和功能像与正常对照组间的差异,本章将根据这两章的分析,综合精神疾病所有模态上的差异,利用机器学习方法,去探究这些多模态差异对于诊断精神疾病是否有所帮助。本章首先利用多种分类模型对第三章介绍的抑郁症结构像进行诊断分类实验,然后对于自闭症数据特征量繁多,被试数据少的问题,使用 LASSO 逻辑回归的嵌入式特征选择方法和 PCA 特征降维两种方法进行自闭症特征提取,然后进行诊断分类实验。
5.1 基于结构磁共振的抑郁症患者诊断
通过第三章对抑郁症结构磁共振的形态学和网络分析,可以看出抑郁症患者的大脑结构与正常人发生了一定的变化,但是这些变化是否真正的明显,或者说这些研究发现是否真正的具有科学意义,我们可以使用机器学习的方法进行相关验证。即利用上述发现的这些变化作为特征,使用机器学习方法进行学习训练,然后对抑郁症患者的结构磁共振图像进行分类,通过分类的准确性来评判这些研究是否有效。对于常用的分类模型,已经在第二章中详细介绍过,本部分不在进行描述。通过使用机器学习方法对抑郁症疾病进行诊断,可以为医生提供一种辅助诊断的方法,而且如果提取的特征十分优秀,将会得到一个很好的正确率,而且通过进行模型训练,也可以检测本文所探究的抑郁症患者的异常脑区是否正确。
........
总结
本文依托大脑磁共振成像技术,对抑郁症和自闭症的大脑网络进行分析,并利用实验的分析结果做了相关的精神疾病诊断实验,本文所做的主要工作内容具体包含如下:
(1) 本文首先阐述了基于磁共振成像的数据预处理过程,并基于此过程对本文需要分析的抑郁症结构数据及自闭症结构、功能像数据进行预处理操作。
(2)本文通过采集抑郁症结构像,探究了抑郁症患者的形态学差异,并利用图论的相关知识,构建了抑郁症患者的结构网络,主要分析了结构网络的拓扑属性,并且引入了复杂网络脆性分析的概念,并利用节点度探究抑郁症患者网络脆性的相关问题,发现抑郁症患者的结构网络在面临崩溃时,自我修复能力相比正常人要低。
(3)本文提出使用多种分类方法对抑郁症结构像进行分类实验,利用大脑分割得到的灰质、白质、脑脊液体积作为分类特征,通过实验,结果达到 65.36%,基于统计学分析得到的差异作为特征,分类准确率可以达到 72.86%,结果发现这些特征在一定程度上可以区分开抑郁症患者和正常对照组,并且本文利用多种分类器进行训练,发现使用 SVM 和逻辑回归做分类器分类效果要好。
(4)本文使用自闭症患者的多模态数据,进行多种属性分析,其中主要包括形态学分析,结构网络分析,功能网络分析,大脑局部活动分析。通过对自闭症患者的分析,发现自闭症患者的形态学出现脑区差异,而且结构网络中的相关属性中的全局效率出现差异,并且对于大脑局部活动分析,发现自闭症患者的 ALFF 以及ReHo 也有差异出现,通过构建功能网络,发现自闭症患者的局部网络属性出现差异,并且提出使用依据构建网络成本最低、全局效率值最大的阈值进行局部网络分析,结果显示其与满足网络全连接的阈值接近。
(5)本文基于自闭症数据的网络拓扑分析,利用网络的相关系数矩阵,分析了自闭症结构网络和功能网络间的关系,结果发现,自闭症的灰质形态改变,将会影响到功能网络中对应脑区的节点度下降,即功能网络中的关系连接减少。
(6)本文最后的一个工作是提出基于多模态信息融合的方式对自闭症患者进行诊断研究,并且提出使用嵌入式特征选择的方法去挑选合适的特征进行训练,另外本文还提出特征降维的思想来避免维度灾难的问题。结果显示,两种方法都有很好的实用性,两种方法的分类准确率分别为达到了 82.32%和 81.27%。
..........
参考文献(略)