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

• 作者: 徐盼盼 李淑龙 杨宁
• 来源期刊: 中山大学学报（自然科学版）
• 学科: 医学
• 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
• 年，卷（期）: 2018,（2）
• 页码范围: 52-60
• 页数: 9页
• 分类号: R742|R445.2
• 字数: 5371字
• 语种: 中文
• DOI: 10.13471/j.cnki.acta.snus.2018.02.006

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨宁		2	6	1.0	2.0