学位论文 > 优秀研究生学位论文题录展示

脑磁共振成像数据的多类模式分析

作　者: 刘美洁
导　师: 胡德文
学　校: 国防科学技术大学
专　业: 控制科学与工程
关键词: 静息功能磁共振成像结构磁共振成像主成分分析成组独立成分分析支持向量机关联向量机基于支持向量机的递归特征删除法
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 37次
引　用: 0次
阅　读: 论文下载

内容摘要

近年来,模式识别方法已被广泛应用于磁共振成像数据的分析和研究中。随着问题研究的深入,磁共振成像数据的多类问题逐渐凸显,这对人脑运行机理和大脑疾病病理研究提出了更高的要求,也为模式识别技术的多类模式分析提供了应用空间。本文的研究主要着眼磁共振成像数据的多类问题,采用模式识别方法对其进行分析研究,期望得到有意义的分析结果。本文首先以三组静息功能磁共振数据(精神分裂症患者、其健康同胞和正常人)为研究对象,通过结合主成分分析(Principal Component Analysis,PCA)和非线性支持向量机(Support Vector Machine,SVM)对静息功能磁共振数据的功能连接矩阵特征进行模式分类研究,并从模式分类的角度证明了该疾病的遗传特性。另外,为了得到遗传特性在脑区上的证明,本文对上述三组数据进行成组独立成分分析(Group Independent Component Analysis,Group ICA),得到20个独立成分。以所有独立成分为特征集合,每个独立成分为特征子集,采用特征融合、主成分分析和线性支持向量机对三组数据进行了两两分类研究,得到了与前面研究相一致的结果,即从模式分类的角度证明了该疾病的遗传特性,更重要的是,最终得到了在该疾病遗传特性中有重要贡献的独立成分。最后,本文以三组结构像磁共振数据为研究对象(老年痴呆患者、轻度认知障碍患者和正常老年人),结合改进的基于支持向量机的递归特征删除法(Recursive Feature Elimination based on Support Vector Machine ,SVM-RFE)和关联向量机(Relevance Vector Machine, RVM)对该实验数据进行了模式分类研究。从两两分类的结果中,我们发现,模式识别方法得到的像素特征与统计差异研究的结果相一致,主要集中于负责记忆功能的海马区及其周围的区域。另外,本文还对上述三组结构像数据的多分类问题进行了探索性研究,包括“一对一”多分类和“一对多”多分类,通过多分类研究,得到这样的结论,即,该组轻度认知障碍患者的脑结构已经发生严重的改变,正向老年痴呆疾病转变。通过磁共振数据的多类模式分析,我们不仅对磁共振成像数据的多类问题有了更深的认识,还从模式分类的角度分析了磁共振成像数据的生理和病理结果,对推动模式识别方法在脑科学中的研究具有重要意义。

全文目录

摘要  8-9
ABSTRACT  9-11
第一章绪论  11-21
  1.1 课题来源与背景  11-12
  1.2 磁共振成像技术综述  12-16
    1.2.1 磁共振原理  12-14
    1.2.2 功能磁共振成像  14-15
    1.2.3 功能磁共振成像的特点  15-16
  1.3 研究现状及发展趋势  16-19
    1.3.1 脑磁共振数据的研究方法概述  16-17
    1.3.2 模式识别方法的研究现状及发展趋势  17-18
    1.3.3 模式识别方法在脑磁共振成像数据多类问题中的应用  18-19
  1.4 课题的研究意义  19-20
  1.5 本文研究的主要内容  20-21
第二章模式识别方法概述  21-32
  2.1 特征提取方法  21-26
    2.1.1 主成分分析（PCA）  21-22
    2.1.2 成组独立成分分析（Group ICA）  22-24
    2.1.3 SVM-RFE  24-26
  2.2 模式分类方法  26-31
    2.2.1 支持向量机（SVM）  26-28
    2.2.2 关联向量机（RVM）  28-31
  2.3 本章小结  31-32
第三章静息功能像数据的多类模式分析  32-50
  3.1 数据采集与预处理  32-35
    3.1.1 精神分裂症疾病简述  32-33
    3.1.2 被试数据采集  33-34
    3.1.3 静息功能像数据预处理  34-35
  3.2 基于脑功能连接矩阵特征的多类数据模式分析  35-42
    3.2.1 功能连接矩阵  36-37
    3.2.2 被试组间功能连接矩阵特征的统计差异研究  37-39
    3.2.3 功能连接矩阵特征的模式分类研究  39-40
    3.2.4 分类结果及讨论  40-42
  3.3 基于成组独立成分（Group ICA）特征的多类模式分析  42-48
    3.3.1 成组独立成分特征的获取  42-43
    3.3.2 成组独立成分的特征融合  43-44
    3.3.3 成组独立成分特征的模式分类研究  44-45
    3.3.4 结果分析与讨论  45-48
  3.4 本章小结  48-50
第四章结构像数据的多类模式分析  50-62
  4.1 数据获取与预处理  50-52
    4.1.1 老年痴呆疾病简述  50-51
    4.1.2 被试数据获取  51
    4.1.3 基于DARTEL 的结构像预处理  51-52
  4.2 结构像多类模式分析研究  52-61
    4.2.1 结构像数据统计分析  53-54
    4.2.2 基于SVM-RFE 的特征提取  54-55
    4.2.3 基于RVM 和SVM 的模式分类研究  55-60
    4.2.4 结果分析与讨论  60-61
  4.3 本章小结  61-62
第五章总结与展望  62-65
  5.1 论文总结  62-63
  5.2 未来工作展望  63-65
致谢  65-66
参考文献  66-73
作者在学期间取得的学术成果  73
作者在学期间参与的主要科研工作  73

脑磁共振成像数据的多类模式分析

内容摘要

全文目录

相似论文