换一批基于支持张量机算法和3D脑白质图像的阿尔兹海默症诊断
Diagnosis of Alzheimer's disease based on Support Tensor Machine and 3D brain white matter image
摘要结构磁共振成像(sMRI)本质上具有三维张量结构,而传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能.为了克服数据向量化的弊端,提出了一种基于支持张量机(Support tensor machine,STM)的以3D T1加权MR脑白质图像为输入的阿尔兹海默症诊断算法.首先用SPM8软件将采集的MRI数据进行预处理,分割为灰质、白质、脑脊液3部分,提取脑白质各体素的灰度值构建三阶灰度张量,然后用递归特征消除(Recursive Feature Elimination,RFE)法结合支持张量机进行特征选择,最后用支持张量机进行分类.在阿尔兹海默症患者(AD),轻度认知障碍患者(MCI)(包括转化为AD的MCI-C和未转化的MCI-NC)以及正常对照(NC)4组人群中进行实验测试,并用10折交叉验证方法获得验证结果.用ROC曲线下面积AUC、分类准确率、敏感性、特异性这4个指标评价分类器的性能,AD vs NC组分别达到99.1%、97.14%、95.71%、98.57%; AD vs MCI 组分别达到88.29%、84.07%、78.57%、91.07%; MCI vs NC组分别达到89.18%、87.91%、93.75%、78.57%; MCI-C vs MCI-NC组分别达到87.5%、82.08%、80.36%、82.14%.算法保持了原始图像的张量结构,提高了分类器的性能,实验结果表明此算法是一种有效的阿尔兹海默症诊断方法.
更多相关知识
关键词
阿尔兹海默症3D脑白质图像T1加权MRI递归特征消除支持张量机Alzheimer's disease3D brain white matter imageT1 weighted MRIRecursive feature eliminationSupport Tensor Machine
DOI
10.13471/j.cnki.acta.snus.2018.02.006
发布时间
2018-05-11（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（11771456）
广东省医学图像处理重点实验室（2014B030301042）
- 浏览3
- 被引14
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
