Print

基于中心化自动加权多任务学习的早期轻度认知障碍诊断

论文摘要

轻度认知障碍（MCI）是阿尔茨海默病（AD）的早期阶段,是治疗AD的最佳时期,因此对MCI的诊断非常重要。多模态数据可以全面分析疾病的状况,有利于疾病的准确诊断,但是现有方法并不能同时有效地分析多个模态数据之间的关系,无法有效结合功能态数据和结构态数据之间的优势。提出一种中心化自动加权多任务学习方法用于MCI的诊断。该方法可以同时学习不同模态的数据,有效地结合数据之间的优势。首先,分别对功能态数据rs-fMRI和结构态数据DTI构造脑网络;其次,基于多模态数据设计新的多任务特征学习模型,每个任务的重要性和模态之间的平衡关系会被自动学习,包括不同模态间的相似性和特异性,以获得稳定且有识别力的表达特征;最后,将选取的特征输入支持向量机模型进行分类诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative（ADNI）公共数据库,包括明显记忆问题（SMC）、早期轻度认知障碍（EMCI）、晚期轻度认知障碍（LMCI）和正常受试者（NC）。所提出的方法对于NC vs SMC、SMC vs EMCI、SMC vs LMCI和EMCI vs LMCI等4种不同类型数据,诊断结果分别为76.67%、79.07%、80.56%和74.29%,与其他传统算法相比,分类准确率都有明显的提高,有望应用于对早期轻度认知障碍的诊断分析。

论文目录

  • 引言
  • 1 方法
  •   1.1 实验数据与设计
  •   1.2 功能连接分析
  •   1.3 基于中心化自动加权多任务学习的特征选择
  •   1.4 算法验证
  • 2 结果
  •   2.1 分类结果
  •   2.2 主要相关脑区
  • 3 讨论
  • 4 结论

    • 文章来源

    类型: 期刊论文

    作者: 成妮娜,肖小华,胡火有,杨鹏,汪天富,雷柏英

    关键词: 轻度认知障碍,特征选择分类,多模态,多任务学习

    来源: 中国生物医学工程学报 2019年06期

    年度: 2019

    分类: 医药卫生科技,信息科技

    专业: 精神病学,自动化技术

    单位: 深圳大学医学部生物医学工程学院广东省生物医学信息检测和超声成像重点实验室,深圳市第二人民医院神经内科

    基金: 国家自然科学基金(61871274),广东省自然科学基金(2017A030313377),深圳市重点基础研究项目(JCYJ20170818094109846)

    分类号: TP181;R749.16

    页码: 653-661

    总页数: 9

    文件大小: 450K

    下载量: 146

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/66acc77adeefddc970f10e27.html