AD: Alzheimer's disease:阿尔茨海默病
CDR: clinical dementia rating:临床痴呆评定
fMRI: functional magnetic resonance imaging:功能核磁共振成像
sMRI: strucutral magnetic resonance imaging:结构核磁共振成像
MRI: magnetic resonance imaging:核磁共振成像
PET: positron emission tomography:正电子发射计算机断层显像术
MCI: mild congnitive impairment:轻度认知障碍
HC: healthy control:健康受试者
yHC: young health control:青年健康受试者
mHC: middle age healthy control:中年健康受试者
oHC: old healthy control:老年健康受试者
ICA: independent component analysis:独立成分分析
ICBM: international consortium for brain mapping:
LS: laplacian score:拉普拉斯分值
EMP: elementary multilinear projection:初级多线性投影
LSL: linear subspace learning:线性子空间学习
MSL: multilinear subspace learning:多线性子空间学习
NMF: nonnegative matric factorization:非负矩阵分解
SPM: statistical paremeteric mapping:统计参数图
TTP: tensor to tensor projection:张量到张量的投影
TVP: tensor to vector projection:
VVP: vector to vector projection:
UMPCA: uncorrelated multilinear principal component analysis:非相关多线性主成分分析
VBM: voxel-based morphometry:基于体素的形态测量学
cognitive function:认知功能
Alzheimer’s disease diagnosis
biomarkers:生物标记
brain atrophy:脑萎缩
fluorodeoxyglucose:氟脱氧葡萄糖
amyloid depositions:淀粉样沉积物
Alzheimer's Disease Assessment Scale-Cognitive subscale(ADAS-Cog):阿尔茨海默病评定量表
Mini-Mental State Examination(MMSE):简易精神状态检查量表
从医学影像中提取具有一定模式特征的方法主要分为三类:
1、基于体素的方法:直接把医学图像的像素灰度作为提取到的特征
== 优点:直观和简单
== 缺点:特征向量的维度高(给特征选择带来一定难度)、所提取的特征忽略了区域信息。
2、基于感兴趣区域(Region Of Interest,ROI)的方法:
== 优点:维度相对较低、覆盖整个脑区域
== 缺点:提取的特征相对比较粗糙(不能反映感兴趣区域中参与脑疾病的细微或者极小的变化)
== ROI与HOG特征互补结合,参考【Multi-view Classification for Identification of Alzheimer’s Disease】
3、基于结构块的方法:
== 简单的基于体素或感兴趣区域的方法也许不能有效的捕获和疾病有关的异常变化。
== 第一次将大脑解剖成许多3D小区域块,然后从每个单独选择的小区域块中提取特征,最后在分类器级别分层次的融合特征实现分类。
Multi-modal:
== 不同的影像模态可以提供重要的补充信息, 以至于当他们在一起做联合特征选择可以选择出更具有分类能力的特征,从而可以提高疾病诊断的准确性
1、多模态融合的普遍方法是基于多任务特征选择框架实现联合特征选择之后,使用多核支持向量机实现疾病分类。
2、少部分直接将联合特征选择之后的特征拼接成到一个长向量,再使用支持向量机(Support Vector Machine,SVM)分类器。
3、在模态像素级上实现模态影像的融合,再从融合的图像中提取特征,利用有效的特征选择和分类模型实现病理发现以及病例分类。
图像预处理:使用医学处理软件对原始的神经影像进行处理,包括:
1、格式转换
2、头动校正
3、图像配准
== 预处理操作:
1、滤波
2、平滑
3、对采集到的图像进行灰度化、图像增强
4、二值化处理
== 图像的预处理
由于图像采集自不同厂商的机器,医护人员的操作方法也可能存在差异,再加上较长的采集时间难免引起被试者身体一定程度移位,所以需要对获取到原始影像采取一系列预处理操作才能满足特征提取、特征选择以及分类的要求。
1、MRI图像的预处理步骤:格式转换、头骨移除、头动与时间片校正、异源配准、标准化、平滑处理和脑区域分割等。
2、PET 图像的的预处理步骤:格式转换、头动校正、异源配准、标准化、平滑处理等。
特征提取和特征选择
1、特征提取:利用合适的图像划分方式,计算每一个划分区域的统计量,如MRI 中的灰质量、PET 中的平均密度强度。
2、特征选择:利用特征选择算法对描述对象的原始特征进一步选取最具有判别能力的特征。
特征选择算法:根据在特征选择过程中是否有使用数据的类别信息
1、无监督的特征选择算法
== 基于相似度保护准则
== 基于聚类性能最大化:选取最优分类能力的特征
2、有监督的特征选择算法
3、半监督的特征选择算法
预测分类:分类器
1、基于“特征选择”算法得到的最具判别能力的特征子集实现样本的判别分类。
2、分类器:SVM、Adaboost算法、朴素贝叶斯算法、KNN 算法
解析:神经细胞活动时需要消耗氧气,这些氧气是依靠神经细胞周围的微血管中的血红蛋白输送过来的。因此,当神经活动时,其附近的血流会增加以及时补充消耗掉的氧气,最终使局部的血液增加,促使血液中的含氧血红蛋白和脱氧血红蛋白的浓度发生改变。而脱氧血红蛋白是一种顺磁性物质,其浓度的变化会引起磁共振信号强度的变化。fMRI扫描仪以一定的时间分辨率对这种连续变化的磁信号采样,最终得到能够反映神经细胞(元)活动的时间序列。在核磁医学上,把由于含氧血红蛋白和脱氧血红蛋白浓度的变化而引起的磁共振信号的变化称为血氧水平依赖(blood oxygen level dependent,BOLD)效应,并把相应的磁共振信号也称为BOLD信号。
解析:
(1)信噪比较低。神经细胞及其周围血管的状态不仅受到神经活动的影响,也受到呼吸作用和生理作用等非神经活动的影响。被试在扫描仪中的状态也会带来噪音, 比如头动、其他的思维活动等;扫描仪的匀场过程伴随着温度的上升。这些都会增加数据的噪音,降低数据的质量。
(2)数据维度较高。在脑成像时,fMRI会把大脑分割成数以万计的体素,然后以一定的时间分辨率不断对全脑采样(成像)。在fMRI数据处理中,一次全脑扫描通常被作为一个处理单元;而一个全脑的数据维数较高,会给程序操作带来困难,容易造成“维灾难”问题。
(3)数据分布差异较大。对不同被试来说,大脑形状和体积的差异是比较大的。这就使得不同被试的大脑数据在对应切片上和全脑上都有不同的分布,可能会给数据处理和所得结论的有效性带来不利影响。
说明:在处理fMRI数据之前,先对其做预处理。这样既可以提高数据的质量,也可以减轻个体差异带来的不利影响。
解析:人脑功能研究可以在不同尺度上进行,目前大致可以分为微观尺度、中(介)观尺度和宏观尺度。在微观尺度上,研究者采用膜片钳记录、微电极细胞内或细胞外记录等方法,力图从神经元的相互作用而引起神经系统状态的变化揭示人脑活动的规律。在中(介)观尺度上,利用场电位记录和光学成像等方法研究大脑的皮质柱(功能柱),试图在较大的尺度上研究脑功能的组织性。在宏观尺度上,研究者通常以人脑功能区域为基本操作单位,揭示全脑或较大区域的功能活动规律。相比之下,宏观系统层面上的人脑功能研究不但能够得到较为合适的数据量,研究的结果也能够较好地表征生物学含义;而且大脑中的基本功能是由局部区域内的体素协同完成的。
(1)人脑功能亚区内的体素信号与其之外的体素信号相比具有更强的一致性;
(2)人脑功能划分产生的脑功能亚区两两互不相交。
MICCAI :The Medical Image Computing and Computer Assisted Intervention Society (http://www.miccai.org/organization)