无偏脑网络分析方法研究及其在阿尔茨海默症中的应用

论文摘要

人脑是自然界中最复杂的系统之一,是由数以亿计的神经元所构成的复杂而庞大的网络,是进行信息处理和认知表达的生理基础。近年来,复杂网络理论被引入脑科学研究中,研究者将其表示为一个图,使用复杂网络和图论的知识从不同角度分析脑网络,并取得了长足发展,为人脑的研究提供新的方法和手段。但是,在脑网络的构建和分析中仍存在一些关键问题需要解决。首先目前基于阈值的脑网络构建方法受阈值选择的影响,使得网络的可比性下降,同时也使得分析结果出现不一致;其次,如何挖掘到最优的属性和结构特征识别脑网络,如何较准确的计算脑网络的相似度用于脑网络之间的聚类也是急需解决的问题。本文基于复杂网络理论和图论知识,探讨脑网络节点中心性的评价方法;针对阈值网络带来的分析结果偏差,探讨无偏脑网络的构建方法;在此基础上对复杂网络指标进行组间比较,以期发现疾病状态下脑网络各指标的变化规律,构建分类模型;此外,从社团结构的角度,分析组间存在的差异,并在此基础上测量脑网络之间的相似度,使用无监督学习方法,构建聚类模型。最后,将上述方法应用到阿尔茨海默症,分析阿尔茨海默症患者与正常对照组脑网络之间的差异,挖掘阿尔茨海默症诊断的影像学指标辅助临床诊断。本文主要创新工作包括:（1）提出一种基于度和k-core的节点中心性测量方法并用于阈值脑网络的分类复杂网络理论中,提供了许多节点中心性测量方法,但是这些方法从各自不同的,单一的角度来衡量节点中心性。研究发现,单一的测量方法不能准确的测量节点中心性。针对这个问题,本文提出将度和k-core中心性相结合用于测量脑网络的节点中心性,随后在阈值脑网络中计算每个节点的中心性,以中心性为特征,对阿尔茨海默症患者与正常对照组阈值脑网络进行分类。（2）提出无偏脑网络拓扑结构差异性分析方法,并构建分类模型为了避免传统阈值网络中阈值选择对网络结构的影响,本文引入最小生成树偏差校正方法构建了无偏脑网络,在此基础上分析网络拓扑结构存在的差异,利用核主成分分析方法捕获差异并构建阿尔茨海默症分类模型。（3）提出局部属性和拓扑结构特征相结合的无偏脑网络分类模型脑网络在属性和结构两种特征上均表现出显著的差异性,不同的特征提供不同的信息,考虑到多种特征可能反映了多种互补信息,因此,本文在无偏脑网络的基础上,提取其在局部属性和拓扑结构两方面的特征,利用合成核将两种不同的特征进行融合,并构建阿尔茨海默症分类模型。（4）提出一种脑网络相似性度量方法并构建聚类模型当训练数据被赋予正确的标签并且选择了最优特征时,分类性能通常很好。但是从大量的数据中提取和选择最优的特征是很费时的。此外,训练数据的标签主要依赖于临床医生的诊断,因此,临床医生将花费大量的时间和精力来标记数据。为了减少标记数据的工作量,本文提出一种利用余弦相似度和子网络核来度量脑网络相似度的方法,并使用谱聚类构建脑网络聚类模型识别阿尔茨海默症患者。

论文目录

摘要

ABSTRACT

符号说明

第一章绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 阿尔茨海默症研究方法

1.2.2 功能脑网络构建方法

1.2.3 脑网络分析方法

1.3 本文主要创新工作

1.4 本文章节内容安排

1.5 本章小结

第二章研究方案及技术

2.1 研究方案

2.1.1 数据收集

2.1.2 静息态功能磁共振数据预处理

2.1.3 无偏功能脑网络的构建

2.1.4 脑网络分析

2.1.5 阿尔茨海默症辅助诊断模型

2.2 相关技术

2.2.1 网络偏差校正方法

2.2.2 图核

2.3 构建无偏脑网络

2.3.1 阈值选择对脑网络分析结果的影响

2.3.2 无偏脑网络的构建

2.3.3 无偏脑网络属性指标

2.4 本章小结

第三章无偏脑网络拓扑结构差异性分析及分类模型构建

3.1 引言

3.2 分类模型框架

3.2.1 数据预处理和功能连接网络的构建

3.2.2 频繁子图挖掘

3.2.3 判别子图选择

3.2.4 图核主成分分析

3.3 实验数据与结果

3.3.1 实验数据

3.3.2 实验设置

3.3.3 判别性子图和脑区

3.3.4 分类性能

3.4 讨论

3.4.1 分类性能的比较

3.4.2 判别性脑区

3.4.3 阈值网络对分类的影响

3.4.4 图核主成分分析对分类的影响

3.5 本章小结

第四章局部属性和拓扑结构特征相结合的无偏脑网络分类模型

4.1 引言

4.2 分类模型框架

4.2.1 数据预处理和功能连接网络的构建

4.2.2 局部属性特征

4.2.3 拓扑结构特征

4.2.4 分类

4.3 实验数据与结果

4.3.1 实验数据

4.3.2 实验设置

4.3.3 具有显著差异的脑区和子图

4.3.4 分类性能

4.4 讨论

4.4.1 显著差异脑区

4.4.2 分类性能比较

4.4.3 频率差阈值对分类性能的影响

4.4.4 参数h对分类性能的影响

4.4.5 参数β对分类性能的影响

4.5 本章小结

第五章脑网络相似度的度量及聚类模型构建

5.1 引言

5.2 聚类模型框架

5.2.1 数据预处理

5.2.2 标记DMN生成功能脑网络

5.2.3 脑网络相似度的测量

5.2.4 基于脑网络的谱聚类算法

5.3 实验数据与结果

5.3.1 实验数据

5.3.2 实验设置

5.3.3 无偏脑网络

5.3.4 相似矩阵

5.3.5 聚类性能

5.4 讨论

5.4.1 聚类性能比较

5.4.2 社团结构的变化

5.4.3 参数δ,d和t的选取对聚类性能的影响

5.5 本章小结

第六章总结与展望

6.1 总结

6.2 下一步工作安排

参考文献

附录1 ：AAL模板脑区名称及缩写

附录2 ：节点介数的统计显著性

附录3 ：聚类算法在公共数据库openfMRI上的性能分析

致谢

攻读学位期间发表的学术论文目录

论文独创性说明

文章来源

类型: 博士论文

作者: 崔晓红

导师: 陈俊杰,相洁

关键词: 功能磁共振,复杂网络,无偏脑网络,脑网络聚类,脑网络分类,阿尔茨海默症

来源: 太原理工大学

年度: 2019

分类: 基础科学,医药卫生科技

专业: 数学,精神病学

单位: 太原理工大学

基金: 国家自然科学基金项目《静息态功能脑网络分析与建模关键技术研究及应用》(编号:61672374)

分类号: O157.5;R749.16

总页数: 128

文件大小: 3253K

下载量: 120

无偏脑网络分析方法研究及其在阿尔茨海默症中的应用

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢