基于結構磁共振成像的性別分類研究.pdf

1、神經影像技術為研究人腦的結構及功能的機理及變異提供了有效工具，將機器學習技術引入神經影像數據的分析，則為有效解析神經影像數據提供了新的可能。采用傳統(tǒng)的統(tǒng)計分析方法，諸多研究表明男女在腦結構方面存在巨大差異，但這些統(tǒng)計結果僅僅是反映了一種“可能性”（例如，99％的可能性顯示男性的皮層厚度大于女性），而不是“事實”，因此基于統(tǒng)計分析常常得到相悖的結論，而這些結論何者正確，只依靠統(tǒng)計分析本身往往無法確認。通過引入機器學習技術，能有效甄別這些統(tǒng)

2、計結果中哪些更接近真相:哪些有助于有效識別個體性別的差異可能是更為“真實”的。除了有效甄別統(tǒng)計結果的真?zhèn)?，性別分類對于一些有性別側重的神經精神疾病（比如多動癥的男性患病率明顯偏高，而抑郁癥的女性患病率明顯偏高）的機理分析及診斷也有重要意義。
　　本研究中，我們基于大樣本磁共振影像進行了性別分類研究。具體地，我們基于526個健康成年人（215個男性，年齡在22-35歲之間）的腦結構磁共振圖像，提取了每一個樣本的包括皮層表面積、皮層厚

3、度、灰質體積、折疊指數、平均曲率、高斯曲率及其皮下體積七種參數，采用彈性網、棧式自編碼和隨機森林等三種方法開展男女之間的性別分類研究。具體如下:
　　基于彈性網的性別分類:我們基于不同的腦結構參數，采用彈性網方法構建分類模型，采用10折交叉的方法進行驗證。實驗結果表明，基于皮下體積的分類正確率最高，達到85.38％;當組合所有的參數特征進行分類時，分類正確率達到88.61％;如果同時考慮皮層參數的左右半腦的不對稱性，分類結果達到了

4、90.50％。
　　基于棧式自編碼的性別分類:我們基于不同的腦結構參數，采用棧式自編碼器構建性別分類模型，采用10折交叉法進行驗證。實驗結果表明，基于皮下體積的分類正確率最高，達到了86.50％;當組合所有的參數特征時，分類正確率可達到89.92％;考慮皮層參數不同區(qū)域的不對稱性時，分類結果反而降低，這一結果提示棧式自編碼器可能本身已經實現了對腦結構特征的有效融合，因此，加入左右不對稱性未能有效提升分類正確率。
　　基于隨機

5、森林的性別分類:我們基于不同的腦結構參數，采用隨機森林方法構建性別分類模型，采用10折交叉的方法進行交叉驗證。實驗結果表明，基于皮下體積的分類正確率最高，達到83.48％;當組合所有的參數特征時，分類正確率達到了86.11％;如果同時考慮皮層參數的左右半腦的不對稱性，分類正確率提升不大。
　　總體而言，本研究基于人腦結構影像，采用三種方法開展了性別分類研究。研究結果表明，皮下體積、皮層表面積、灰質體積等參數較折疊指數、平均曲率、高