CN113303782A - 基于核磁共振波谱的阿尔茨海默症svm分类模型构建方法 - Google Patents
基于核磁共振波谱的阿尔茨海默症svm分类模型构建方法 Download PDFInfo
- Publication number
- CN113303782A CN113303782A CN202110552957.7A CN202110552957A CN113303782A CN 113303782 A CN113303782 A CN 113303782A CN 202110552957 A CN202110552957 A CN 202110552957A CN 113303782 A CN113303782 A CN 113303782A
- Authority
- CN
- China
- Prior art keywords
- classification model
- svm
- svm classification
- mrs
- magnetic resonance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 61
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 50
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 title claims abstract description 12
- 238000010276 construction Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 34
- 230000000971 hippocampal effect Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- DRBBFCLWYRJSJZ-UHFFFAOYSA-N N-phosphocreatine Chemical compound OC(=O)CN(C)C(=N)NP(O)(O)=O DRBBFCLWYRJSJZ-UHFFFAOYSA-N 0.000 claims description 41
- OTCCIMWXFLJLIA-BYPYZUCNSA-N N-acetyl-L-aspartic acid Chemical compound CC(=O)N[C@H](C(O)=O)CC(O)=O OTCCIMWXFLJLIA-BYPYZUCNSA-N 0.000 claims description 32
- OTCCIMWXFLJLIA-UHFFFAOYSA-N N-acetyl-DL-aspartic acid Natural products CC(=O)NC(C(O)=O)CC(O)=O OTCCIMWXFLJLIA-UHFFFAOYSA-N 0.000 claims description 28
- CVSVTCORWBXHQV-UHFFFAOYSA-N creatine Chemical compound NC(=[NH2+])N(C)CC([O-])=O CVSVTCORWBXHQV-UHFFFAOYSA-N 0.000 claims description 27
- CDAISMWEOUEBRE-GPIVLXJGSA-N inositol Chemical compound O[C@H]1[C@H](O)[C@@H](O)[C@H](O)[C@H](O)[C@@H]1O CDAISMWEOUEBRE-GPIVLXJGSA-N 0.000 claims description 21
- SQUHHTBVTRBESD-UHFFFAOYSA-N Hexa-Ac-myo-Inositol Natural products CC(=O)OC1C(OC(C)=O)C(OC(C)=O)C(OC(C)=O)C(OC(C)=O)C1OC(C)=O SQUHHTBVTRBESD-UHFFFAOYSA-N 0.000 claims description 20
- 229960003624 creatine Drugs 0.000 claims description 20
- 239000006046 creatine Substances 0.000 claims description 20
- 229960000367 inositol Drugs 0.000 claims description 20
- CDAISMWEOUEBRE-UHFFFAOYSA-N scyllo-inosotol Natural products OC1C(O)C(O)C(O)C(O)C1O CDAISMWEOUEBRE-UHFFFAOYSA-N 0.000 claims description 20
- 229950007002 phosphocreatine Drugs 0.000 claims description 18
- 210000001320 hippocampus Anatomy 0.000 claims description 13
- 239000002207 metabolite Substances 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 210000004556 brain Anatomy 0.000 abstract description 6
- 238000012706 support-vector machine Methods 0.000 abstract description 6
- 230000004060 metabolic process Effects 0.000 abstract description 3
- 208000010877 cognitive disease Diseases 0.000 description 18
- 208000027061 mild cognitive impairment Diseases 0.000 description 18
- 230000006870 function Effects 0.000 description 16
- -1 creatine compound Chemical class 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 7
- 239000013256 coordination polymer Substances 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000005481 NMR spectroscopy Methods 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000003748 differential diagnosis Methods 0.000 description 3
- 208000015122 neurodegenerative disease Diseases 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 206010019196 Head injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000004770 neurodegeneration Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 208000006888 Agnosia Diseases 0.000 description 1
- 241001047040 Agnosia Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000036626 Mental retardation Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 102000003797 Neuropeptides Human genes 0.000 description 1
- 108090000189 Neuropeptides Proteins 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 206010036631 Presenile dementia Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000024799 Thyroid disease Diseases 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 201000007201 aphasia Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000021510 thyroid gland disease Diseases 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- High Energy & Nuclear Physics (AREA)
- Psychology (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，包括：对患者的MRS数据进行采集并处理，标记海马区多体素，提取具体的多体素MRS代谢物浓度；计算所有标记的多体素的MRS代谢物浓度比值，并且分别计算出左右海马多体素MRS代谢物浓度比值的四个特征组成输入特征向量；将所有特征向量进行归一化；将获取的特征向量输入SVM函数建立SVM分类模型；输入的样本获取预测类别；通过提取的基于多体素MRS技术观察大脑海马区组织代谢数据的48维特征值用于建立针对AD患者、MCI患者、正常老年人三分类的支持向量机自动分类模型，能够通过该模型对上述三类人群的海马多体素磁共振波谱数据进行分类识别，从而快速对被试的类型进行快速分类，实用有效。
Description
技术领域
本发明涉及阿尔茨海默症诊断技术领域，尤其涉及一种基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法。
背景技术
阿尔茨海默病(AD)是一种起病隐匿的进行性发展的神经系统退行性疾病。临床上以记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆表现为特征，病因迄今未明。65岁以前发病者，称早老性痴呆；65岁以后发病者称老年性痴呆；该病可能是一组异质性疾病，在多种因素(包括生物和社会心理因素)的作用下才发病；从目前研究来看，该病的可能因素和假说多达30余种，如家族史、女性、头部外伤、低教育水平、甲状腺病、母育龄过高或过低、病毒感染等。
MRS是一种无创的神经影像学技术，可用于多种神经变性疾病的活体脑组织代谢物浓度的定性及定量测定；运用多体素MRS技术观察海马组织代谢物浓度变化情况是阿尔茨海默症(AD)和轻度认知障(MCI)鉴别诊断的重要工具；MRS相比MR结构像数据不直观，其医学临床分析应用因信号处理门槛受到局限，目前尚未存在全流程分析MRS的阿尔茨海默症病预测辅助诊断工具。
发明内容
针对上述技术中存在的不足之处，本发明提供一种基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，通过提取的基于多体素MRS技术观察大脑海马区组织代谢数据的48维特征值用于建立针对AD患者、MCI患者、正常老年人三分类的支持向量机自动分类模型，能够通过该模型对上述三类人群的海马多体素磁共振波谱数据进行分类识别，从而快速对被试的类型进行快速分类，实用有效。
为实现上述目的，本发明提供一种基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，包括以下步骤：
对患者的MRS数据进行采集并量化处理，同时标记海马区多体素，结合MR扫描的横断面图形实现多体素MRS与MRI的空间配准，提取具体的多体素MRS代谢物浓度；
提取并计算所有标记的多体素的MRS代谢物浓度比值，并且分别计算出左右海马多体素MRS代谢物浓度比值的平均值、最大值、最小值和方差四个特征组成输入特征向量；
将所有特征向量的特征值均归一化到[-1,1]区间；
将获取的特征向量输入SVM函数中建立SVM分类模型；
将患者的样本数据输入SVM分类模型从而获取预测类别。
具体的：在提取具体的多体素MRS代谢物浓度的步骤中，提取的有效代谢物为N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸。
作为优选：在分别计算出左右海马多体素MRS代谢物浓度比值的平均值、最大值、最小值和方差四个特征组成输入特征向量的步骤中，分别计算出左侧海马和右侧海马的N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸每两个代谢物浓度之间比值的平均值、最大值、最小值和方差，共组成48维特征向量。
作为优选：在计算N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸每两个代谢物浓度之间比值时，先提取出N一乙酰天门冬氨酸/肌酸复合物、肌醇/肌酸复合物、磷酸肌酸/N一乙酰天门冬氨酸的比值，再通过提取出的比值计算出磷酸肌酸/肌酸复合物、磷酸肌酸/肌醇、肌醇/N一乙酰天门冬氨酸的比值。
具体的：在将获取的特征向量输入SVM函数中建立SVM分类模型的步骤中，采用1-against-1方法在AD患者、MCI患者和正常老年人三种类型的任意两类之间创建一个SVM分类模型，共计创建3个SVM分类模型。
作为优选：对于一个SVM分类模型，
输入向量：
xi∈Rn(i＝1，2，...，l)
所属类别为：
yi∈{1，-1}
SVM分类函数可以写成：
其中K(xi，x)为核函数，αi为与每个样本对应的Lagrange乘子，b为超平面偏移量，是从αi和xi以及核函数计算出的一个值。
作为优选：在输入患者的样本数据从而获取预测类别的步骤中，输入患者样本所属类别，由3个SVM分类模型各自进行分类，分类的结果出现次数最多的类别即为预测类别。
具体的：在将获取的特征向量输入SVM函数中建立SVM分类模型的步骤中，对建立的SVM分类模型进行网格搜索和10折交叉验证，设置惩罚参数c和核函数参数g均为0.70711。
本发明的有益效果是：与现有技术相比，本发明提供的一种基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，包括以下步骤：对患者的MRS数据进行采集并量化处理，同时标记海马区多体素，结合MR扫描的横断面图形实现多体素MRS与MRI的空间配准，提取具体的多体素MRS代谢物浓度；提取并计算所有标记的多体素的MRS代谢物浓度比值，并且分别计算出左右海马多体素MRS代谢物浓度比值的平均值、最大值、最小值和方差四个特征组成输入特征向量；将所有特征向量的特征值均归一化到[-1,1]区间；将获取的特征向量输入SVM函数中建立SVM分类模型；输入患者的样本数据从而获取预测类别；通过提取的基于多体素MRS技术观察大脑海马区组织代谢数据的48维特征值用于建立针对AD患者、MCI患者、正常老年人三分类的支持向量机自动分类模型，能够通过该模型对上述三类人群的海马多体素磁共振波谱数据进行分类识别，从而快速对被试的类型进行快速分类，实用有效。
附图说明
图1为本发明的方法流程图；
图2为本发明的SVM分类模型自动分类示意图；
图3为本发明的实际操作流程图。
具体实施方式
为了更清楚地表述本发明，下面结合附图对本发明作进一步地描述。
现有技术中MRS相比MR结构像数据不直观，其医学临床分析应用因信号处理门槛受到局限，目前尚未存在全流程分析MRS的阿尔茨海默症病预测辅助诊断工具。
为解决现医疗诊断领域的缺陷和不足，本发明具体的提供了一种基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，MRS是一种无创的神经影像学技术，可用于多种神经变性疾病的活体脑组织代谢物浓度的定性及定量测定。运用多体素MRS技术观察海马组织代谢物浓度变化情况是阿尔茨海默症(AD)和轻度认知障(MCI)鉴别诊断的重要工具，MRS相比MR结构像数据不直观，其医学临床分析应用因信号处理门槛受到局限，目前尚未存在全流程分析MRS的阿尔茨海默症病预测辅助诊断工具，故本发明所提供的辅助诊断方法，能够基于MRS提取的数据进行建立SVM模型，通过使用建立的模型对现有的被试对象进行分类准确率极高；请参阅图1，该方法包括以下步骤：对患者的MRS数据进行采集并量化处理，同时标记海马区多体素，结合MR扫描的横断面图形实现多体素MRS与MRI的空间配准，提取具体的多体素MRS代谢物浓度；
提取并计算所有标记的多体素的MRS代谢物浓度比值，并且分别计算出左右海马多体素MRS代谢物浓度比值的平均值、最大值、最小值和方差四个特征组成输入特征向量；
将所有特征向量的特征值均归一化到[-1,1]区间；
将获取的特征向量输入SVM函数中建立SVM分类模型；
将患者的样本数据输入SVM分类模型从而获取预测类别；
在进行建立模型之前，需要对患者的MRS数据进行预处理，在本发明中，采用开源软件LCModel进行对MRS进行预处理，LCModel对数据进行量化处理，提取的有效特征具体的为N一乙酰天门冬氨酸(NAA)、肌酸复合物(Cr)、肌醇(mI)、磷酸肌酸(CP)；主要步骤包括数据采集、LCModel量化处理、标记海马区体素、特征提取，从而完成解析Philips磁共振扫描仪采集的多体素MRS数据和文件，结合常规MR扫描采集的横断面图像，实现多体素MRS与MRI的空间配准，提取具体的MRS代谢物浓度；SVM分类模型是特征空间中最大化间隔的线性分类模型，是一种二分类模型，也成为支持向量机自动分类模型，支持向量也就是离分类超平面最近的样本点，引入SVM分类模型对被试的患病种类进行自动区分，能够通过获取被试的多体素的MRS代谢物浓度比值从而准确的预测出被试的患病种类；建立SVM分类模型具体的包括，特征值归一化、参数寻优、创建SVM分类器、SVM预测的步骤，从而提取基于海马区多体素磁共振波谱技术输入特征，创建支持向量机自动分类模型，实现对阿尔茨海默病和轻度认知障碍的自动识别；将输入的特征值归一化到[-1,1]能够避免不同的特征值之间的差异过大导致影响模型的建立。
在本实施例中提及：在提取具体的多体素MRS代谢物浓度的步骤中，提取的有效代谢物为N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸；N一乙酰天门冬氨酸是人脑中最集中的神经肽，是中枢神经中的一种特定代谢产物，在研究中发现，NAA在人脑中的磁共振波谱中释放出大量信号，H-MRS显示在阿尔茨海默症、帕金森病以及多发性硬化患者等NAA水平均有下降，当脑组织中NAA水平异常升高时，可造成脑组织的损伤，故NAA异常升高与阿尔茨海默症的发病可能存在较大的关系；N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸的代谢指标在MRS技术中常被用来作为诊断早起阿尔茨海默症的指标，有利于提升患者的临床诊断效果。
在一个优选的实施例中提及：在分别计算出左右海马多体素MRS代谢物浓度比值的平均值、最大值、最小值和方差四个特征组成输入特征向量的步骤中，分别计算出左侧海马和右侧海马的N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸每两个代谢物浓度之间比值的平均值、最大值、最小值和方差，共组成48维特征向量。
48维特征向量含义如下表所述:
表1:
由上表能清晰的表示出48维特征向量的具体含义，分别为左侧海马和右侧海马的NAA/Cr,mI/Cr，mI/NAA，CP/NAA,CP/Cr,CP/mI，六组比值的最小值、最大值、平均值、方差。
在一个优选的实施例中提及：在计算N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸每两个代谢物浓度之间比值时，先提取出N一乙酰天门冬氨酸/肌酸复合物、肌醇/肌酸复合物、磷酸肌酸/N一乙酰天门冬氨酸的比值，再通过提取出的比值计算出磷酸肌酸/肌酸复合物、磷酸肌酸/肌醇、肌醇/N一乙酰天门冬氨酸的比值；针对每组数据，提取出所有经过标记的体素的NAA/Cr,mI/Cr,CP/NAA值，并推导计算出其余CP/Cr,CP/mI,mI/NAA值；分别计算左右海马代谢物浓度比值的平均值、最大值和最小值四个特征组成该组数据的的输入特征向量。
在本实施例中提及：在将获取的特征向量输入SVM函数中建立SVM分类模型的步骤中，采用1-against-1方法在AD患者、MCI患者和正常老年人三种类型的任意两类之间创建一个SVM分类模型，共计创建3个SVM分类模型；由于SVM分类模型是一个二分类模型，但是本方法具体需要分类的类别有AD患者、MCI患者、正常老年人三种分类，故在建立模型时，每两个分类之间需要建立一个SVM二分类模型，每个种类之间相互区分则需要三个SVM分类模型，以此类推，本方法在应用于更多分类的时候同样是按照每两个分类之间需要建立一个二分类模型这种形式建立多个分类模型。
在一个优选的实施例中提及：对于一个SVM分类模型，
输入向量：
xi∈Rn(i＝1，2，...，l)
所属类别为：
yi∈{1，-1}
SVM分类函数可以写成：
其中K(xi，x)为核函数，αi为与每个样本对应的Lagrange乘子，b为超平面偏移量，是从αi和xi以及核函数计算出的一个值。
在一个优选的实施例中提及：请参阅图2，在输入患者的样本数据从而获取预测类别的步骤中，输入患者样本所属类别，由3个SVM分类模型各自进行分类，分类的结果出现次数最多的类别即为预测类别；对于本申请所需要分类的AD患者(图中交叉符号)、MCI患者(图中圆圈符号)、正常老年人(图中正方形符号)三种分类，则像是车轮战一样让不同的类别数据两两组合训练分类器，则可以得到三个二分类器，他们分别是：AD患者和MCI患者训练得出的第一分类器、MCI患者和正常老年人训练得出的第二分类器以及AD患者和正常老年人训练得出的第三分类器；假设现输入需要预测的一个数据是一名AD患者的数据(还未被诊断，并不知晓，图中三角符号)，则在第一分类器内会认为他是AD患者类别，在第二分类器中他会被认为偏向MCI患者，在第三个分类器中会被认为是AD患者，经过三个分类器形如“投票”的操作之后，则能够预测出他属于AD患者类别；任何一个测试样本都能通过分类器的“投票”选举方式得出预测结果。
在本实施例中提及：在将获取的特征向量输入SVM函数中建立SVM分类模型的步骤中，对建立的SVM分类模型进行网格搜索和10折交叉验证，设置惩罚参数c和核函数参数g均为0.70711；设置惩罚参数c和核函数参数g均为0.70711能够使创建的SVM分类模型能够达到更好的分类效果。
在一个具体实施的实验中：将本方法应用于32例AD患者、30例MCI患者和42例正常对照组(nomlal controls，NC)老年人；排除标准包括：受检者配合不佳导致常规MRI有伪影或MRS质量差，受检者具有头部外伤、中风、精神发育迟滞等精神疾病和神经系统紊乱等病史；临床和神经心理学量表评分由神经科专科医生评估；包括简易精神状态量表(Mini-Mental State Examination，MMSE)和蒙特利尔认知评估量表(MontrealCognitiveAssessment，MoCA)和临床痴呆评定量表(Clinical Dementla Rating，CDR)等；应用对象的一般信息及量表得分的统计结果见下表：
表2：应用对象一般信息及评分结果
本实验所用实验设备为Philips 3.0T磁共振扫描仪，采用标准8通道头线圈；对所有被试进行常规MRI检查和T2WI海马横断位薄层扫描；结合T2WI海马横断位图像和常规冠状位及矢状位图像分别定位左侧和右侧海马，确定多体素磁共振波谱扫描的FOV和VOI位置；多体素磁共振波谱数据采集采用2D-PRESS序列，参数如下：TR2000ms，TE 32ms，反转角90°，FOV(AP×RL)100mm×100mm，VOI(AP×RL)64mm×32mm，体素大小12mm×12mm，重建体素大小4×4mm2，层厚8mm，信号平均次数4次，扫描时间6min6s
对上述的对象组应用基于核磁共振波谱的阿尔茨海默症辅助诊断工具，其数据的10折交叉验证预测精度达86.54％(90/104)。其中，32例AD病人有3例被预测为NC；30例MCI病人中有7例被预测为NC，4例被预测为AD；42例NC病人均预测正确,说明本方法对AD和MCI的鉴别诊断具有参考价值。
本发明的优势在于：
通过提取的基于多体素MRS技术观察大脑海马区组织代谢数据的48维特征值用于建立针对AD患者、MCI患者、正常老年人三分类的支持向量机自动分类模型，能够通过该模型对上述三类人群的海马多体素磁共振波谱数据进行分类识别，从而快速预测诊断病人是否患阿尔茨海默症，实用有效。
以上公开的仅为本发明的几个具体实施例，但是本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (8)
1.一种基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，其特征在于，包括以下步骤：
对患者的MRS数据进行采集并量化处理，同时标记海马区多体素，结合MR扫描的横断面图形实现多体素MRS与MRI的空间配准，提取具体的多体素MRS代谢物浓度；
提取并计算所有标记的多体素的MRS代谢物浓度比值，并且分别计算出左右海马多体素MRS代谢物浓度比值的平均值、最大值、最小值和方差四个特征组成输入特征向量；
将所有特征向量的特征值均归一化到[-1,1]区间；
将获取的特征向量输入SVM函数中建立SVM分类模型；
将患者的样本数据输入SVM分类模型从而获取预测类别。
2.根据权利要求1所述的基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，其特征在于，在提取具体的多体素MRS代谢物浓度的步骤中，提取的有效代谢物为N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸。
3.根据权利要求2所述的基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，其特征在于，在分别计算出左右海马多体素MRS代谢物浓度比值的平均值、最大值、最小值和方差四个特征组成输入特征向量的步骤中，分别计算出左侧海马和右侧海马的N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸每两个代谢物浓度之间比值的平均值、最大值、最小值和方差，共组成48维特征向量。
4.根据权利要求3所述的基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，其特征在于，在计算N一乙酰天门冬氨酸、肌酸复合物、肌醇和磷酸肌酸每两个代谢物浓度之间比值时，先提取出N一乙酰天门冬氨酸/肌酸复合物、肌醇/肌酸复合物、磷酸肌酸/N一乙酰天门冬氨酸的比值，再通过提取出的比值计算出磷酸肌酸/肌酸复合物、磷酸肌酸/肌醇、肌醇/N一乙酰天门冬氨酸的比值。
5.根据权利要求1所述的基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，其特征在于，在将获取的特征向量输入SVM函数中建立SVM分类模型的步骤中，采用1-against-1方法在AD患者、MCI患者和正常老年人三种类型的任意两类之间创建一个SVM分类模型，共计创建3个SVM分类模型。
6.根据权利要求5所述的基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，其特征在于，对于一个SVM分类模型，
输入向量：
xi∈Rn(i＝1，2，...，l)
所属类别为：
yi∈{1，-1}
SVM分类函数可以写成：
其中K(xi，x)为核函数，αi为与每个样本对应的Lagrange乘子，b为超平面偏移量，是从αi和xi以及核函数计算出的一个值。
7.根据权利要求5所述的基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，其特征在于，在输入患者的样本数据从而获取预测类别的步骤中，输入患者样本所属类别，由3个SVM分类模型各自进行分类，分类的结果出现次数最多的类别即为预测类别。
8.根据权利要求1所述的基于核磁共振波谱的阿尔茨海默症SVM分类模型构建方法，其特征在于，在将获取的特征向量输入SVM函数中建立SVM分类模型的步骤中，对建立的SVM分类模型进行网格搜索和10折交叉验证，设置惩罚参数c和核函数参数g均为0.70711。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110552957.7A CN113303782A (zh) | 2021-05-20 | 2021-05-20 | 基于核磁共振波谱的阿尔茨海默症svm分类模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110552957.7A CN113303782A (zh) | 2021-05-20 | 2021-05-20 | 基于核磁共振波谱的阿尔茨海默症svm分类模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113303782A true CN113303782A (zh) | 2021-08-27 |
Family
ID=77373876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110552957.7A Pending CN113303782A (zh) | 2021-05-20 | 2021-05-20 | 基于核磁共振波谱的阿尔茨海默症svm分类模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113303782A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115040147A (zh) * | 2022-06-01 | 2022-09-13 | 上海全景医学影像诊断中心有限公司 | 一种基于18f-fdg pet代谢网络的帕金森症预测方法 |
-
2021
- 2021-05-20 CN CN202110552957.7A patent/CN113303782A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115040147A (zh) * | 2022-06-01 | 2022-09-13 | 上海全景医学影像诊断中心有限公司 | 一种基于18f-fdg pet代谢网络的帕金森症预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
| Dou et al. | Characterizing white matter connectivity in Alzheimer's disease and mild cognitive impairment: An automated fiber quantification analysis with two independent datasets | |
| CN112002428B (zh) | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 | |
| Jäncke et al. | Brain aging and psychometric intelligence: a longitudinal study | |
| CN112348785A (zh) | 一种癫痫病灶定位方法及系统 | |
| CN112927187A (zh) | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 | |
| CN115359305A (zh) | 一种大脑纤维束异常区域精准定位系统 | |
| CN113222915A (zh) | 基于多模态磁共振影像组学的pd诊断模型的建立方法 | |
| CN113303782A (zh) | 基于核磁共振波谱的阿尔茨海默症svm分类模型构建方法 | |
| Dehmeshki et al. | Classification of disease subgroup and correlation with disease severity using magnetic resonance imaging whole-brain histograms: application to magnetization transfer ratios and multiple sclerosis | |
| Kang et al. | Application of advanced magnetic resonance imaging in glaucoma: a narrative review | |
| US11523767B2 (en) | System, method, and computer program product for detecting neurodegeneration using differential tractography | |
| CN109242816B (zh) | 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法 | |
| Sharma et al. | Machine learning of diffusion weighted imaging for prediction of seizure susceptibility following traumatic brain injury | |
| CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
| US11529054B2 (en) | Method and system for post-traumatic stress disorder (PTSD) and mild traumatic brain injury (mTBI) diagnosis using magnetic resonance spectroscopy | |
| CN114596306A (zh) | 基于机器学习诊断帕金森疾病的系统 | |
| Zhang et al. | The diagnosis of Alzheimer's disease based on voxel-based morphometry and support vector machine | |
| CN114120024A (zh) | 用于阿尔兹海默病分类预测的mr自动纤维定量分析方法 | |
| Brueggen et al. | Hippocampal mean diffusivity for the diagnosis of dementia and mild cognitive impairment in primary care | |
| Dachraoui et al. | Follow up of the multiple Sclerosis Lesion's evolution in brain MRI by automated registration approach | |
| Commowick et al. | Non-local robust detection of DTI white matter differences with small databases | |
| CN116309336B (zh) | 一种血管认知障碍的关键影像标记物的提取方法 | |
| CN116364221B (zh) | 一种用于阿尔茨海默症研究的脑影像数据处理方法和系统 | |
| CN110192859B (zh) | 一种磁共振测量人脑类淋巴通路清除效率的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |
|
| RJ01 | Rejection of invention patent application after publication |