基于Joint ICA算法的阿爾茨海默病輔助診斷研究.pdf

1、基于JointICA算法的阿爾茨海默病輔助診斷研究重慶大學碩士學位論文（學術(shù)學位）學生姓名：任津儀指導教師：張玲教授專業(yè)：信號與信息處理學科門類：工學重慶大學通信工程學院二O一四年四月重慶大學碩士學位論文中文摘要I摘要阿爾茨海默病（AD），是在老年人群中最常見的神經(jīng)退行性疾病。在我國，隨著人口老齡化進程逐漸加快，AD的發(fā)病率也呈現(xiàn)上升趨勢，將對未來經(jīng)濟形成潛在影響。目前，與核磁共振圖像（MRI）、正電子斷層掃描（PET）等成像技術(shù)相關的

2、研究方法已日趨成熟，針對大腦解剖學結(jié)構(gòu)變化以及生理代謝變化的研究成為診斷AD的關鍵。獨立成分分析（ICA）作為一種新的數(shù)據(jù)處理方法，可以從一系列的測量或觀察數(shù)據(jù)中獲得隱藏的混合線性獨立成分，近幾年被廣泛用于醫(yī)學圖像領域。無論對于MRI還是PET圖像，ICA都獲得較多應用。對于單一模態(tài)的醫(yī)學圖像，通過ICA方法可以分離出不同獨立成分，并對每個成分進行分析。如果需要對多種模態(tài)進行分析，ICA方法就無法獲得不同模態(tài)圖像之間的聯(lián)系。本課題采用改

3、進的ICA方法，即jointICA算法，對兩種模態(tài)圖像進行聯(lián)合獨立成分分析，其中，灰質(zhì)（GM）圖像屬于大腦結(jié)構(gòu)圖像，可以通過分析獲取灰質(zhì)體積變化，而氟代脫氧葡萄糖PET（FDGPET）圖像可以提供大腦代謝信息。采用jointICA算法不僅可以獲得每種模態(tài)圖像單獨的成分信息，同時還可以獲得灰質(zhì)萎縮與代謝變化之間的關聯(lián)信息。本課題的原始圖像數(shù)據(jù)來源于阿爾茨海默病神經(jīng)影像公共數(shù)據(jù)庫（ADNI），使用基于Matlab的SPM8工具箱對采集圖像進

4、行預處理，并將三年的圖像數(shù)據(jù)轉(zhuǎn)換為變化率圖像進行jointICA相關運算，最終得到關聯(lián)的獨立成分信息，并映射到大腦標準模板圖像中便于觀察分析。通過對結(jié)果的分析發(fā)現(xiàn)：在認知健康（HC）與輕度認知障礙（MCI）兩個不同階段，其灰質(zhì)萎縮與代謝變化之間的關聯(lián)圖像形態(tài)具有明顯不同，相對于HC階段，變化速率及變化面積在MCI階段均出現(xiàn)增長，且變化區(qū)域也具有差異性。而對于每個階段的Aβ（β淀粉樣蛋白非正常水平）與Aβ（β淀粉樣蛋白正常水平）兩個不同分

5、組，腦部變化同樣具有差異性。本課題的研究意義與創(chuàng)新點主要為：①采用jointICA聯(lián)合分析方法可以獲得多模態(tài)圖像間的關聯(lián)信息，相比于對兩種模態(tài)圖像分別進行獨立成分分析的傳統(tǒng)分析方法，聯(lián)合分析的優(yōu)勢在于結(jié)合兩種不同圖像間的關聯(lián)信息，可以提供更多AD早期階段患病風險判斷的依據(jù)，進而增加診斷的準確性。②由于目前缺少相關縱向分析研究，因此本課題的縱向研究特別是兩種圖像模態(tài)的聯(lián)合縱向分析對了解早期AD的腦部變化情況及規(guī)律具有重要意義。關鍵詞：關鍵