基于腦連接超網(wǎng)絡(luò)的輕度認(rèn)知障礙

1、基于腦連接超網(wǎng)絡(luò)的輕度認(rèn)知障礙分類(lèi)郭濤一、研究背景二、研究方法及過(guò)程三、研究結(jié)論四、對(duì)論文的評(píng)價(jià)與看法u阿爾茨海默病是全世界老年人口中最常見(jiàn)的癡呆形式。2050年受影響人口的數(shù)量將增加一倍。u 輕度認(rèn)知損傷（MCI）是AD的前驅(qū)階段，并且由于其對(duì)AD的高過(guò)渡率最近獲得了大量的關(guān)注。 現(xiàn)有研究表明，MCI受試者以約10至15的年率惡化至臨床AD，而正常對(duì)照（NC）以1至2的年率形成癡呆。一、研究背景一、研究背景u腦連接網(wǎng)絡(luò)已經(jīng)用于診斷和分類(lèi)神經(jīng)變性疾病，例如阿爾茨海默氏病以及其早期階段，即輕度認(rèn)知障礙（MCI）。u常規(guī)連接網(wǎng)絡(luò)通?；谀X區(qū)域之間的成對(duì)相關(guān)性來(lái)構(gòu)建的，因此忽略了不同腦區(qū)域之間的高階

2、關(guān)系。這種信息丟失是無(wú)法預(yù)料的，因?yàn)榇竽X本身是一個(gè)復(fù)雜的網(wǎng)絡(luò)，高階交互可能包含有用于分類(lèi)的有用信息。u本文中，基于超網(wǎng)絡(luò)的MCI分類(lèi)方法，我們提出一種新的大腦連接。在這種連接超網(wǎng)絡(luò)中，一個(gè)邊緣可以連接多于兩個(gè)腦區(qū)域，其可以自然地用超圖表示。二、研究流程及方法u研究流程圖二、研究流程及方法 功能性磁共振成像功能性磁共振成像獲取原始數(shù)據(jù) 利用稀疏表示的靜息fMRI構(gòu)建超圖 信息的提取和處理 支持向量機(jī)用于MCI分類(lèi)u研究過(guò)程中用到的方法及其目的功能性核磁共振成像功能性核磁共振成像獲取原始數(shù)據(jù)功能性核磁共振成像功能性核磁共振成像是一種新興的神經(jīng)影像學(xué)方式，其原理是利用磁振造影來(lái)測(cè)量神經(jīng)元活動(dòng)所引發(fā)之

3、血液動(dòng)力的改變。除了實(shí)驗(yàn)誘發(fā)的神經(jīng)活動(dòng)之外，內(nèi)部神經(jīng)活動(dòng)也會(huì)引起血流的波動(dòng)，生理狀態(tài)也可能對(duì)成像產(chǎn)生影響。fMRI實(shí)驗(yàn)的數(shù)據(jù)是對(duì)每個(gè)體素都做數(shù)百次測(cè)量的時(shí)間序列。在本研究中，招募了12名遺忘MCI患者（6名男性和6名女性）和25名正常對(duì)照（9名男性和16名女性）。 所有招募的受試者由專(zhuān)家共識(shí)小組診斷。使用3.0-Tesla GE Signa EXCITE掃描儀進(jìn)行數(shù)據(jù)采集。 使用以下參數(shù)獲得每個(gè)參與者的靜息態(tài)fMRI（R-fMRI）圖像：翻轉(zhuǎn)角= 77，TR / TE = 2000 / 32ms，成像矩陣= 6464，F(xiàn)OV = 256256mm 2，34 切片，150體積，體素厚度= 4mm

4、。 在掃描期間，指示所有受試者保持他們的眼睛張開(kāi)，并盯著在屏幕中間的固定十字，持續(xù)5分鐘。 利用稀疏表示的靜息fMRI構(gòu)建超圖稀疏表示 利用稀疏表示的靜息fMRI構(gòu)建超圖超圖的本質(zhì)特征在于它的超邊，它可以連接兩個(gè)以上的結(jié)點(diǎn)(包括兩個(gè))。超圖的數(shù)學(xué)定義為：對(duì)于超圖 H，有超圖的結(jié)點(diǎn)集合 V 和超圖的邊(超邊，hyperedge )的集合 E，則有 H = (V,E)。其中，每一個(gè)超邊 e 都是 V 的一個(gè)非空集合，一般 e 所包含的結(jié)點(diǎn)數(shù)就表示其度數(shù)記為|e|(大于等于2)。超圖 使用統(tǒng)計(jì)參數(shù)映射軟件包（SPM8）進(jìn)行數(shù)據(jù)預(yù)處理。 丟棄前10個(gè)RfMRI圖像以確保磁化平衡。 剩余的140個(gè)圖像在

5、使用前也需要被矯正。 根據(jù)自動(dòng)解剖標(biāo)記（AAL）圖譜將每個(gè)受試者的R-fMRI掃描的腦空間分成116個(gè)感興趣區(qū)域（ROI）。 通過(guò)對(duì)每個(gè)ROI中的所有體素的R-fMRI時(shí)間序列進(jìn)行平均來(lái)計(jì)算每個(gè)受試者的平均R-fMRI時(shí)間序列。信息的提取和篩選信息的提取a、聚類(lèi)系數(shù)按照?qǐng)D形理論，聚集系數(shù)是表示一個(gè)圖形中節(jié)點(diǎn)聚集程度的系數(shù)。在很多網(wǎng)絡(luò)中，如果節(jié)點(diǎn)v1連接于節(jié)點(diǎn)v2，節(jié)點(diǎn)v2連接于節(jié)點(diǎn)v3，那么節(jié)點(diǎn)v3很可能與v1相連接。這種現(xiàn)象體現(xiàn)了部分節(jié)點(diǎn)間存在的密集連接性質(zhì)。例如，在無(wú)向網(wǎng)絡(luò)中，可以用聚類(lèi)系數(shù)1 （CC）來(lái)表示v2的聚類(lèi)程度：其中：k表示節(jié)點(diǎn)v2的所有相鄰的節(jié)點(diǎn)的個(gè)數(shù)，即節(jié)點(diǎn)v2的鄰居。n表

6、示節(jié)點(diǎn)v2的所有相鄰節(jié)點(diǎn)之間相互連接的邊的個(gè)數(shù)。b、研究中的聚類(lèi)系數(shù)HCC1計(jì)算節(jié)點(diǎn)V不利于連接的鄰接節(jié)點(diǎn)的數(shù)量。HCC2計(jì)算節(jié)點(diǎn)V連接的相鄰節(jié)點(diǎn)的數(shù)量點(diǎn)V.HCC3計(jì)算節(jié)點(diǎn)V的相鄰超邊緣之間的重疊量。信息的篩選 從連通性超網(wǎng)絡(luò)提取的特征可能包括用于后續(xù)MCI分類(lèi)的不相關(guān)或冗余特征。 不同類(lèi)型的聚類(lèi)系數(shù)特征反映了腦連接超網(wǎng)絡(luò)在不同視圖中的局部聚類(lèi)屬性。 為了找到與MCI疾病相關(guān)的特征的內(nèi)在共同子集（即，來(lái)自相同的腦區(qū)域），我們采用流行正則化（M2TFS）選擇最有區(qū)別的特征支持向量機(jī)用于MCI分類(lèi) 支持向量機(jī)是一種分類(lèi)算法，通過(guò)尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來(lái)提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少的情況下，亦能獲得良好統(tǒng)計(jì)規(guī)律的目的。 它是一種二類(lèi)分類(lèi)模型，其基本模型定義為特征空間上的間隔最大的線性分類(lèi)器，即支持向量機(jī)的學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題的求解。三、研究結(jié)論a.所提出的方法產(chǎn)生94.6的分類(lèi)精度和0.96的AUC，表明優(yōu)異的診斷能力。b. 所有三種基于超網(wǎng)絡(luò)的方法一致地勝過(guò)常規(guī)網(wǎng)絡(luò)分類(lèi)方法。c.連通性超網(wǎng)絡(luò)的不同聚類(lèi)屬性包含互補(bǔ)信息。提出的方法明顯優(yōu)于其他方法。 基于相同的數(shù)據(jù)集，提出的方法與最近的基于連接網(wǎng)絡(luò)的MCI分類(lèi)的現(xiàn)有方法進(jìn)行比較，包括Wee等人的方法和Jie等人 。的方法3。 在wee等人中報(bào)道了91.