基于监督局部线性嵌入方法的阿尔茨海默病磁共振成像分类研究

• 作者: 王政 葛园园 赵海峰
• 来源期刊: 生物医学工程学杂志
• 关键词: 阿尔茨海默病 特征提取 监督局部线性嵌入 遗忘型轻度认知障碍
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 新技术与新方法
• 页码范围: 613-620
• 页数: 8页
• 语种: 中文
• DOI: 10.7507/1001-5515.201703002

摘要

针对阿尔茨海默病(AD)早期阶段分类这一研究难题,传统的线性特征提取算法很难从其高维特征中挖掘出鉴别能力较强的信息来有效地表示样本特征.因此,本文采用监督局部线性嵌入(SLLE)特征提取算法,对 412 例受试者的大脑皮质厚度(CTH)和脑感兴趣区域体积(VOI)特征进行提取,减少其冗余特征以提高识别精度.受试者来源于阿尔茨海默病神经影像学(ADNI)数据集,包含 93 例稳定型轻度认知障碍(sMCI)、96 例遗忘型轻度认知障碍(aMCI)、86 例 AD 患者和 137 例认知正常对照老年人(CN)样本.本文采用的 SLLE 算法是通过添加距离修正项来计算每个样本点的近邻点,并用近邻点线性表示样本,得到局部重建权值矩阵,进而求出高维数据的低维映射.为验证该算法在分类识别中的有效性,本文将主成分分析(PCA)、近邻最小最大投影(NMMP)、局部线性映射(LLE)及 SLLE 等特征提取算法分别与支持向量机(SVM)分类器组合,对 CN 与 sMCI、CN 与 aMCI、CN 与 AD、sMCI 与 aMCI、sMCI 与 AD 和 aMCI 与 AD 六组实验数据进行分类识别.结果显示,以VOI 为特征,利用 SLLE 和 SVM 的复合算法对 sMCI 和 aMCI 的分类准确度、灵敏度、特异性分别为 65.16％、63.33％、67.62％,基于 LLE 和 SVM 的复合算法分类结果分别为 64.08％、66.14％、62.77％,而基于传统 SVM 则分别为 57.25％、56.28％、58.08％.经比较,发现 SLLE 和 SVM 组合算法的识别精度较 LLE 和 SVM 的组合算法提高了1.08％,较 SVM 提高了 7.91％.因此,利用 SLLE 和 SVM 这一复合算法进行分类识别更有利于 AD 的早期诊断.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵海峰		36	308	8.0	16.0
2	葛园园		1	0	0.0	0.0
3	王政		3	7	1.0	2.0