基于多变量动态功能脑网络的阿尔兹海默症辅助诊断方法研究

作     者：刘洪嘉 

作者单位：山东师范大学 

学位级别：硕士

导师姓名：乔建苹

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 100203[医学-老年医学] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

主      题：功能磁共振成像 阿尔兹海默症 功能脑网络 自注意力机制 图卷积网络 时间卷积网络 

摘      要：阿尔兹海默症是一种复杂的慢性神经退行性疾病,其典型表现包括记忆力的显著下降、广泛的认知功能减退以及行为模式的明显异常。这些症状不仅严重影响了患者的日常生活能力,如基本的自理能力和社交互动,还导致患者的整体生活质量大幅下降。功能磁共振成像在不需要侵入性手术或注射放射性物质的情况下,就能够对大脑进行高分辨率的成像,从而对大脑的活动状态进行细致的观察和记录,捕捉到大脑在认知任务执行过程中的反应变化,进而精确地分辨出不同大脑区域的活动模式。与此同时,机器学习和深度学习在医学图像处理领域的应用日益广泛,为疾病的辅助诊断提供了有力支持。这些技术可以自动提取并分析医学图像中的疾病特征,帮助医生更准确地诊断疾病。然而,现有的研究方法还存在特性表征能力弱、疾病生物标志物模糊、模型泛化能力差等问题。因此,本文旨在通过深度学习技术结合功能磁共振影像的有效特征提取,深入研究并优化阿尔兹海默症的诊断方法。本文工作主要包括以下两个方面: 1)提出一种基于多变量Transformer网络的阿尔兹海默症识别方法。该方法利用功能磁共振成像数据中脑灰质和脑白质的相互作用,结合多变量Transformer网络中的自注意力机制进行阿尔兹海默症的识别。具体来说,首先对预处理后的功能磁共振影像中的脑灰质和脑白质分别进行独立成分分析得到若干独立分量。随后,将脑灰质和脑白质独立分量的时间进程输入Transformer网络,以挖掘物质间及物质内部的功能连通性信息,构建脑灰质和脑白质融合功能脑网络并进行分类。在ADNI数据集上的实验结果证明了该方法在阿尔兹海默症分类任务中的有效性。 2)提出一种基于动态功能脑网络和时空图卷积网络的阿尔兹海默症识别方法。我们提出一种新的时空图卷积网络,在利用图卷积网络(Graph Convolutional Network,GCN)学习功能网络空间拓扑特征的同时,利用时间卷积网络(Temporal Convolutional Network,TCN)捕捉不同动态功能网络之间的时间关系特征。具体来说,首先通过空间独立成分分析得到脑灰质和脑白质的若干独立分量,并进行筛选。随后,将各分量的时间进程划分为若干个重叠的滑动窗口。在每个窗口内,我们利用皮尔逊相关性计算函数连通性矩阵得到每个窗口的脑网络,以此表征各分量之间的动态功能连接。最后引入了能从每个时间点的脑网络中学习空间拓扑特征的空间图卷积模块,以及能够捕捉各时间点动态功能连接时序特征的时间卷积残差模块,以此构建时空图卷积网络,并进行分类任务。实验结果证明,该方法较传统方法能够提供更加准确的分类结果。 本文提出了两种基于功能脑网络和深度学习技术的阿尔兹海默症识别方法。这两种方法都在ADNI数据集上进行了实验验证,证明了它们在阿尔兹海默症识别任务中的有效性,对阿尔兹海默症的诊断和治疗具有重要意义。