基于脑连接超网络的轻度认知障碍讲解.pptx

基于脑连接超网络的轻度认知障碍分类 郭涛 一、研究背景 二、研究方法及过程 三、研究结论 四、对论文的评价与看法 阿尔茨海默病是全世界老年人口中最常见的痴呆形式。2050年受影响人口的数量将增加一倍。 轻度认知损伤（MCI）是AD的前驱阶段，并且由于其对AD的高过渡率最近获得了大量的关注。 现有研究表明，MCI受试者以约10％至15％的年率恶化至临床AD，而正常对照（NC）以1％至2％的年率形成痴呆。 一、研究背景 一、研究背景 脑连接网络已经用于诊断和分类神经变性疾病，例如阿尔茨海默氏病以及其早期阶段，即轻度认知障碍（MCI）。 常规连接网络通常基于脑区域之间的成对相关性来构建的，因此忽略了不同脑区域之间的高阶关系。这种信息丢失是无法预料的，因为大脑本身是一个复杂的网络，高阶交互可能包含有用于分类的有用信息。 本文中，基于超网络的MCI分类方法，我们提出一种新的大脑连接。在这种连接超网络中，一个边缘可以连接多于两个脑区域，其可以自然地用超图表示。 二、研究流程及方法 研究流程图 二、研究流程及方法 功能性磁共振成像获取原始数据 利用稀疏表示的静息fMRI构建超图 信息的提取和处理 支持向量机用于MCI分类 研究过程中用到的方法及其目的 功能性核磁共振成像获取原始数据 功能性核磁共振成像是一种新兴的神经影像学方式，其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变。 除了实验诱发的神经活动之外，内部神经活动也会引起血流的波动，生理状态也可能对成像产生影响。 fMRI实验的数据是对每个体素都做数百次测量的时间序列。 在本研究中，招募了12名遗忘MCI患者（6名男性和6名女性）和25名正常对照（9名男性和16名女性）。 所有招募的受试者由专家共识小组诊断。 使用3.0-Tesla GE Signa EXCITE扫描仪进行数据采集。 使用以下参数获得每个参与者的静息态fMRI（R-fMRI）图像：翻转角= 77°，TR / TE = 2000 / 32ms，成像矩阵= 64×64，FOV = 256×256mm 2，34 切片，150体积，体素厚度= 4mm。 在扫描期间，指示所有受试者保持他们的眼睛张开，并盯着在屏幕中间的固定十字，持续5分钟。 利用稀疏表示的静息fMRI构建超图 稀疏表示 利用稀疏表示的静息fMRI构建超图 超图的本质特征在于它的超边，它可以连接两个以上的结点(包括两个)。超图的数学定义为：对于超图 H，有超图的结点集合 V 和超图的边(超边，hyperedge )的集合 E，则有 H = (V,E)。其中，每一个超边 e 都是 V 的一个非空集合，一般 e 所包含的结点数就表示其度数记为|e|(大于等于2)。 超图 使用统计参数映射软件包（SPM8）进行数据预处理。 丢弃前10个RfMRI图像以确保磁化平衡。 剩余的140个图像在使用前也需要被矫正。 根据自动解剖标记（AAL）图谱将每个受试者的R-fMRI扫描的脑空间分成116个感兴趣区域（ROI）。 通过对每个ROI中的所有体素的R-fMRI时间序列进行平均来计算每个受试者的平均R-fMRI时间序列。 信息的提取和筛选 信息的提取 a、聚类系数 按照图形理论，聚集系数是表示一个图形中节点聚集程度的系数。 在很多网络中，如果节点v1连接于节点v2，节点v2连接于节点v3，那么节点v3很可能与v1相连接。这种现象体现了部分节点间存在的密集连接性质。例如，在无向网络中，可以用聚类系数[1]? （CC）来表示v2的聚类程度： 其中：k表示节点v2的所有相邻的节点的个数，即节点v2的邻居。 n表示节点v2的所有相邻节点之间相互连接的边的个数。 b、研究中的聚类系数 HCC1计算节点V不利于连接的邻接节点的数量。 HCC2计算节点V连接的相邻节点的数量点V. HCC3计算节点V的相邻超边缘之间的重叠量。 信息的筛选 从连通性超网络提取的特征可能包括用于后续MCI分类的不相关或冗余特征。 不同类型的聚类系数特征反映了脑连接超网络在不同视图中的局部聚类属性。 为了找到与MCI疾病相关的特征的内在共同子集（即，来自相同的脑区域），我们采用流行正则化（M2TFS）选择最有区别的特征 支持向量机用于MCI分类 支持向量机是一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。 它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。 三、研究结论 所提出的方法产生94.6％的分类精度和0.96的AUC，表明优异的诊断能力。 所有三种基于超网络的方法一致地胜过常规网络分类方法