一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法
【专利摘要】本发明涉及一种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法，具体包括以下步骤：（1）采用ICA提取静息态fMRI特征；（2）采用基于体素的形态学分析方法（VBM）提取结构MRI特征；（3）基于PCA进行特征约简；（4）基于BP神经网络和多模态特征构建AD分类器。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），结合ICA、PCA和BP神经网络建立一种全新的智能判别模型，提高对AD早期阶段的诊断准确性，在实验数据上达到了诊断准确率90%以上。这一方法将被应用于实际临床诊断中。
【专利说明】—种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法
【技术领域】
[0001]本发明涉及一种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法，属于疾病诊断【技术领域】。
【背景技术】
[0002]人工神经网络是一门应用广泛，涉及多学科交叉的前沿学科，是在对人脑神经网络的研究基础上，采用数理方法和从信息处理的角度对人脑神经网络进行抽象，并建立的某种简化模型。目前人工神经网络技术在临床诊断、生存预后预测以及疾病筛查等医学方面已有应用。
[0003]已有一些初步研究探讨了人工神经网络在Alzheimer病的MRI诊断中的应用，例如，采用神经网络方法对形态学数据进行分类，进而对阿尔茨海默病(Alzheimer’ sDisease, AD)患者进行诊断；测量与疾病相关的感兴趣区的特征，利用神经网络对AD患者和语义痴呆患者进行判别。这些研究证明人工神经网络在AD诊断和鉴别诊断方面具有良好的应用前景。
[0004]我国进入老龄化阶段，Alzheimer病严重影响老年人的生活，目前尚无有效的治疗方法，提高Alzheimer病早期阶段的诊断准确性对于早期干预、治疗方案选择、延缓AD患者的病情进展至关重要。
[0005]在应用磁共振(MagneticResonance Imaging, MRI)技术对 Alzheimer 病进行鉴别诊断研究中发现，很难利用单项测量指标数据将AD和正常人线性地鉴别开来。即使应用多指标综合判别，由于传统线性判别函数模型的限制，其判别效果也不够好，诊断准确性很低。
【发明内容】
[0006]本发明的目的在于结合独立成分分析(Independent Component Analysis,ICA)、主成分分析(Principal Component Analysis, PCA)和反向传播神经网络(BackPropagation, BP)方法对多模态MRI数据进行特征提取和约简、构建分类器,从而实现对AD自动判别分析。
[0007]为了实现上述目的，本发明的技术方案如下。
[0008]一种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法，具体包括以下步骤:
(1)采用ICA提取静息态fMRI特征:
静息态fMRI数据在时间和空间上的维度仍然很高，而被试数目相对很少，即面临的数据往往是稀疏的。因此，为了进行模式判别分析，首先需要进行数据降维。本发明技术技术中首先利用ICA方法对静息态fMRI数据进行降维:将fMRI数据分解为一些独立成分，进而基于这些成分筛选关键体素，具体过程如下:首先使用Infomax算法得到40个独立成分；选取默认网络、背侧注意网络、腹侧注意网络、自我参照网络、感觉运动网络、视觉网络、听觉网络7个子成分；对于每个子成分对应的空间区域，筛选一些关键体素，使得类间差异极大而类内方差极小；选取500个关键体素，分别从图像中提取数据。
[0009](2)米用基于体素的形态学分析方法(Voxel-Based Morphometry, VBM)提取结构MRI特征:
首先对以往的研究进行元分析，确定出以往研究中共性地发现的AD存在结构萎缩的脑区，主要包括海马和顶下小叶区域等。在VBM分析的基础上，提取这些脑区的体积作为候选特征。
[0010](3)基于PCA进行特征约简:
为提高对AD的诊断准确率，需要尽可能地利用多种特征信息。然而对于静息态fMR1、结构MRI及神经心理学测试三类特征，仍可能存在特征冗余。
[0011]本发明技术采用PCA方法对三类特征进行分析，提取其主成分；按照贡献多少，从大到小依次选取多个主成分，使得这些主成分可以近似地(85%以上)表达全部特征所蕴含的信息。这些主成分作为BP神经网络的输入。
[0012](4)基于BP神经网络和多模态特征构建AD分类器:
采用经典的反向传播神经网络(BP网络)进行建模:输入节点数对应主成分数量(<500)，2个输出节点，根据公式(N和Μ分别为网络的输入层和输出层的节点数，0〈a〈10)确定隐含层节点数；将多次调整选择最优。设置训练参数，选取激活函数，生成初始权值，定义误差函数和目标误差，学习速率。对网络进行训练，如果误差小于目标误差，则停止训练，保存权值矩阵。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。
[0013]该发明的有益效果在于:本发明技术利用多项检测指标数据(包括静息态fMR1、结构MR1、神经心理学检查数据)，结合ICA、PCA和BP神经网络建立一种全新的智能判别模型，提高对AD早期阶段的诊断准确性，在实验数据上达到了诊断准确率90%以上。这一方法将被应用于实际临床诊断中。
【专利附图】
【附图说明】
[0014]图1是本发明实施例中所使用神经网络结构示意图。
【具体实施方式】
[0015]下面结合实施例对本发明的【具体实施方式】进行描述，以便更好的理解本发明。
[0016]实施例:
一种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法，具体包括以下步骤:
(1)采用ICA提取静息态fMRI特征:
首先需要进行数据降维。本发明技术技术中首先利用ICA方法对静息态fMRI数据进行降维:将fMRI数据分解为一些独立成分，进而基于这些成分筛选关键体素，具体过程如下:首先使用Infomax算法得到40个独立成分；选取默认网络、背侧注意网络、腹侧注意网络、自我参照网络、感觉运动网络、视觉网络、听觉网络7个子成分；对于每个子成分对应的空间区域，筛选一些关键体素，使得类间差异极大而类内方差极小；选取500个关键体素，分别从图像中提取数据。
[0017](2)米用基于体素的形态学分析方法(Voxel-Based Morphometry, VBM)提取结构MRI特征:
首先对以往的研究进行元分析，确定出以往研究中共性地发现的AD存在结构萎缩的脑区，主要包括海马和顶下小叶区域等。在VBM分析的基础上，提取这些脑区的体积作为候选特征。
[0018](3)基于PCA进行特征约简:
为提高对AD的诊断准确率，需要尽可能地利用多种特征信息。然而对于静息态fMR1、结构MRI及神经心理学测试三类特征，仍可能存在特征冗余。
[0019]本发明实施例采用PCA方法对三类特征进行分析，提取其主成分；按照贡献多少，从大到小依次选取多个主成分，使得这些主成分可以近似地(85%以上)表达全部特征所蕴含的信息。这些主成分作为BP神经网络的输入。
[0020](4)基于BP神经网络和多模态特征构建AD分类器:采用经典的反向传播神经网络(BP网络)进行建模，如图1所示，输入节点数对应主成分数量(<500)，2个输出节点，根据公式(N和Μ分别为网络的输入层和输出层的节点数，0〈a〈10)确定隐含层节点数；将多次调整选择最优。设置训练参数，选取激活函数，生成初始权值，定义误差函数和目标误差，学习速率。对网络进行训练，如果误差小于目标误差，则停止训练，保存权值矩阵。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。
[0021]为了对本发明技术进行检验，需要进行实验数据的采集及预处理。具体技术如下:
1)实验被试入组:征集AD者各100例和100例老年健康对照者，均为右利手。所有被试均签署知情同意书。由神经科医生进行相关神经心理学量表的检查。AD的诊断依据Petersen诊断标准,包括:①由患者的知情者提供的记忆损害,②相应年龄的客观记忆损害，CDR Sum of Boxes score在0.5~1.5,其中记忆这项不高于0.5,③MMSE〈=24。经内科、神经内科及精神科系统检查和MRI常规扫描排除其它各种已知原因所致的痴呆。正常老年对照组入组标准:性别、年龄与AD相匹配；无神经和精神疾病病史；常规头颅MRI检查无异常发现；无记忆障碍或认知能力下降等主诉；MMSE ^ 28分。
[0022]2)磁共振数据采集:应用3.0T超导型磁共振扫描仪(Siemens Tim Trio)采集数据，结构像使用三维磁化准备快速梯度回波，连续获取矢状位T1加权像，扫描参数:TR=1900 ms，TE=2.2 ms, FA=9° ,TI=900 ms，视野 240 X 240mm2，矩阵 256 X 256，层厚 1 mm,无间隔。静息态功能像使用梯度回波-回波平面成像序列，扫描参数:TR=2000 ms, TE=40ms, FA=90°，视野 240X240mm2，矩阵 64X64，层厚 4 mm，层间隔 1 mm。
[0023]3) MRI 数据预处理:fMRI 图像数据基于 SPM 软件(Statistical ParametricMapping, SPM5)进行预处理，包括层面时间差校正、头动校正，配准到MNI模板并重新采样为3mm的各向同性体素，然后采用4mm-FWHM高斯核进行空间平滑。结构数据也采用SPM5进行头皮去除、灰白质分割及空间滤波。
[0024]以上所述是本发明的优选实施方式，应当指出，对于本【技术领域】的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
【权利要求】
1.一种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法，具体包括以下步骤:(1)采用ICA提取静息态fMRI特征；(2)米用基于体素的形态学分析方法(Voxel-BasedMorphometry, VBM)提取结构MRI特征；(3)基于PCA进行特征约简；(4)基于BP神经网络和多模态特征构建AD分类器。
2.如权利要求1所述的一种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法，其特征在于:所述步骤(1)中，首先利用ICA方法对静息态fMRI数据进行降维:将fMRI数据分解为一些独立成分，进而基于这些成分筛选关键体素，具体过程如下:首先使用Infomax算法得到40个独立成分；选取默认网络、背侧注意网络、腹侧注意网络、自我参照网络、感觉运动网络、视觉网络、听觉网络7个子成分；对于每个子成分对应的空间区域，筛选关键体素，使得类间差异极大而类内方差极小；选取500个关键体素，分别从图像中提取数据。
3.如权利要求1所述的一种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法，其特征在于:所述步骤(2)中，首先对以往的研究进行元分析，确定出以往研究中共性地发现的AD存在结构萎缩的脑区，主要包括海马和顶下小叶等区域；在VBM分析的基础上，提取这些脑区的体积作为候选特征。
4.如权利要求1所述的一种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法，其特征在于:所述步骤(3)中，采用PCA方法对三类特征(神经心理学、静息态fMR1、结构MRI)进行分析，提取其主成分；按照贡献多少，从大到小依次选取多个主成分，使得这些主成分可以近似地(85%以上)表达全部特征所蕴含的信息；并将这些主成分作为BP神经网络的输入。
5.如权利要求1所述的一种基于人工神经网络和多模态MRI的阿尔茨海默病智能判别分析方法，其特征在于:所述步骤(4)中，采用经典的反向传播神经网络(BP网络)进行建模:输入节点数对应主成分数量(<500)，2个输出节点，根据公式(N和Μ分别为网络的输入层和输出层的节点数，0〈a〈10)确定隐含层节点数；将多次调整选择最优；设置训练参数，选取激活函数，生成初始权值，定义误差函数和目标误差，学习速率；对网络进行训练，如果误差小于目标误差，则停止训练，保存权值矩阵；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。
【文档编号】G06K9/46GK103646183SQ201310720256
【公开日】2014年3月19日 申请日期:2013年12月24日 优先权日:2013年12月24日
【发明者】李坤成, 梁佩鹏, 张擎 申请人:张擎