基于多模態(tài)MRI的AD分類模型

武 政,相 潔,梁 紅,曹 銳,陳俊杰

(太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,太原 030024)

基于多模態(tài)MRI的AD分類模型

武 政,相 潔,梁 紅,曹 銳,陳俊杰

(太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,太原 030024)

利用多模態(tài)磁共振成像數(shù)據(jù),構(gòu)建靜息態(tài)功能網(wǎng)絡(luò),提取了網(wǎng)絡(luò)屬性及結(jié)構(gòu)像中萎縮灰質(zhì)的灰質(zhì)體積作為分類特征,訓(xùn)練SVM分類器。實(shí)驗(yàn)結(jié)果表明,利用結(jié)構(gòu)和功能組合特征,可以區(qū)分MCI與正常對(duì)照(準(zhǔn)確率91.7%)，AD與正常對(duì)照(準(zhǔn)確率100%)，AD與MCI(準(zhǔn)確率87.8%),有效提高了兩類疾病的分類正確率。結(jié)果說明提出的分類模型是一種較好的輔助診斷模型。

結(jié)構(gòu)MRI；功能MRI；靜息態(tài)腦功能網(wǎng)絡(luò)；阿爾茲海默癥；分類

阿爾茲海默(Alzheimer′s Disease，AD)是老年期常見的慢性精神衰退性疾病,發(fā)病率較高,到2050年時(shí)預(yù)估全球每85人就有一人罹患本病[1]。AD現(xiàn)有藥物治療非常有限,但早期發(fā)現(xiàn)、治療能減緩疾病進(jìn)程。輕度認(rèn)知障礙(Mild Cognitive Impairment，MCI)是介于正常老化和AD之間的過渡階段,患者存在記憶或其它認(rèn)知障礙,但達(dá)不到癡呆的診斷標(biāo)準(zhǔn)[2]。研究表明，約44%的MCI患者在3年后轉(zhuǎn)化為AD,平均年轉(zhuǎn)化率為15%[1],而正常老年人每年僅1%～2%發(fā)展為AD[2]。由于AD不可逆轉(zhuǎn),因此對(duì)MCI患者的臨床前預(yù)警和早期干預(yù)治療尤為重要。

目前,AD、MCI 的診斷方法主要包括:神經(jīng)心理學(xué)測試、神經(jīng)影像學(xué)檢查、腦脊液檢查等。磁共振成像(Magnetic Resonance Imaging，MRI)檢查已經(jīng)逐漸成為一種主要的檢查方式,其中,結(jié)構(gòu)影像學(xué)(structural MRI，sMRI)和功能影像(functional MRI，fMRI)學(xué)檢查應(yīng)用尤為廣泛。由于靜息態(tài)fMRI技術(shù)能夠反映大腦自發(fā)的功能活動(dòng),有助于探討腦區(qū)間自發(fā)活動(dòng)的同步性以及大腦中存在的自發(fā)功能神經(jīng)網(wǎng)絡(luò),基于靜息態(tài)fMRI構(gòu)建的腦功能網(wǎng)絡(luò)可以從全腦角度研究和理解阿爾茨海默病疾病的病理機(jī)制,研究結(jié)果表明AD患者腦功能網(wǎng)絡(luò)的拓?fù)湫再|(zhì)發(fā)生了異常變化。結(jié)構(gòu)影像學(xué)檢查也表明,與正常人相比,MCI患者存在海馬和內(nèi)嗅皮層萎縮。但是,目前影像學(xué)檢查大多依賴醫(yī)生的經(jīng)驗(yàn),工作量大,且不能充分發(fā)掘圖像中蘊(yùn)含的豐富信息,利用機(jī)器學(xué)習(xí)算法提取靜息態(tài)功能網(wǎng)絡(luò)異常拓?fù)鋵傩砸约皊MRI異常灰質(zhì)體積等特征,建立阿爾茨海默病的輔助診斷模型,將有助于改善目前診斷工作量大的現(xiàn)狀。

神經(jīng)影像學(xué)研究表明AD、MCI患者存在海馬、顳葉、前額等部分腦區(qū)的結(jié)構(gòu)改變或認(rèn)知功能改變,許多研究均發(fā)現(xiàn)雙側(cè)海馬、杏仁體及內(nèi)嗅皮層、顳葉溝間距、后扣帶回和丘腦的結(jié)構(gòu)或功能異常。與正常對(duì)照組相比,MCI、AD患者在完成記憶任務(wù)時(shí)內(nèi)側(cè)顳葉激活下降,但在記憶編碼時(shí)其右側(cè)海馬旁回的激活程度增加[3-6],完成視覺記憶任務(wù)時(shí)較正常老年對(duì)照組所激活的功能區(qū)明顯增多，多分布于右側(cè)額上回、雙側(cè)顳中回、額中回及雙側(cè)扣帶回的前部,并且MCI組較AD組右側(cè)海馬旁回、右側(cè)豆?fàn)詈?、右?cè)梭狀回、左側(cè)額下回、左側(cè)緣上回及雙側(cè)扣帶回的激活區(qū)增多。這些研究均表明AD、MCI的認(rèn)知受損非少數(shù)幾個(gè)腦區(qū)受損導(dǎo)致,屬于彌漫性腦疾病。近年來,不少研究人員通過構(gòu)建大腦結(jié)構(gòu)或功能網(wǎng)絡(luò),并采用圖論的方法分析腦網(wǎng)絡(luò)的全局特性與節(jié)點(diǎn)特性,依此來探索腦網(wǎng)絡(luò)中的關(guān)鍵腦區(qū)和關(guān)鍵通路異常的變化規(guī)律[7-8]。

文章將在已有研究的基礎(chǔ)上,利用sMRI、fMRI多模態(tài)磁共振數(shù)據(jù),通過構(gòu)建靜息態(tài)腦功能網(wǎng)絡(luò),提取異常的網(wǎng)絡(luò)節(jié)點(diǎn)屬性,同時(shí)基于體素形態(tài)學(xué)方法(Voxel Based Morphometry，VBM)提取感興趣區(qū)的灰質(zhì)體積作為特征,訓(xùn)練SVM分類器,構(gòu)建AD、MCI的輔助診斷模型。

1 研究方法

采用技術(shù)路線如圖1所示,AD、MCI的分類模型采用結(jié)構(gòu)和功能兩類分類特征,一方面基于VBM提取感興趣區(qū)域的灰度體積；另一方面通過fMRI數(shù)據(jù)構(gòu)建靜息態(tài)腦功能網(wǎng)絡(luò),計(jì)算網(wǎng)絡(luò)局部和全局屬性,并篩選存在顯著差異腦區(qū)的節(jié)點(diǎn)屬性作為功能影像特征。

圖1 阿爾茨海默癥與輕度認(rèn)知障礙分類模型

1.1 被試

采用入組標(biāo)準(zhǔn)較嚴(yán)格的ADNI數(shù)據(jù)集(Alzheimer′s Disease Neuroimaging Initiative，ADNI)[9]。該數(shù)據(jù)集包括MCI、AD、正常對(duì)照(Normal Control,NC)等多組數(shù)據(jù)。各組被試的入組標(biāo)準(zhǔn)如下:

1)NC。簡易智能精神狀態(tài)檢查量表(Mini-Mental State Examination，MMSE)得分介于24～30,臨床癡呆評(píng)定量表(Clinical Dementia Rating,CDR)得分為0,非抑郁,非MCI,非癡呆。

2)EMCI被試。MMSE得分介于24～30,CDR為0.5,韋氏記憶量表(Wechsler Memory Scale Logical Memory I)得分9～11。

3) AD被試。MMSE得分介于22～26之間，CDR為0.5或1.0,符合NINCDS/ADRDA標(biāo)準(zhǔn)。

參與本研究的被試為符合上述標(biāo)準(zhǔn)且均來源于ADNI同一次掃描,同時(shí)具有fMRI和sMRI影像數(shù)據(jù),并且有簡明精神量表(Mini-mental State Examination，MMSE)得分的被試。被試的基本情況如表1所示。

表1 fMRI實(shí)驗(yàn)中被試的基本情況

1.2 數(shù)據(jù)預(yù)處理

fMRI數(shù)據(jù)的預(yù)處理使用DPARSF[9]進(jìn)行,首先對(duì)數(shù)據(jù)集進(jìn)行時(shí)間片校正和頭動(dòng)校正,所有被試的水平頭動(dòng)均小于2 mm且轉(zhuǎn)動(dòng)小于2度。接著對(duì)頭動(dòng)校正后的圖像進(jìn)行空間標(biāo)準(zhǔn)化,將其標(biāo)準(zhǔn)化到3 mm體素的MNI標(biāo)準(zhǔn)空間中。最后進(jìn)行低頻濾波(0.01～0.08 Hz),以降低低頻漂移及高頻的生物噪音。

sMRI數(shù)據(jù)預(yù)處理采用REST進(jìn)行,預(yù)處理過程包括空間標(biāo)準(zhǔn)化,腦組織分割和平滑(平滑核為8 mm),利用統(tǒng)計(jì)參數(shù)檢驗(yàn)方法對(duì)每一個(gè)體素做統(tǒng)計(jì)檢驗(yàn),并對(duì)這些體素進(jìn)行解剖學(xué)定位。采用方差檢驗(yàn)等方法對(duì)被試進(jìn)行組間統(tǒng)計(jì)分析,根據(jù)統(tǒng)一閾值和體素?cái)?shù),得到組間灰質(zhì)密度或體積的差異區(qū)域。

1.3 構(gòu)建腦功能網(wǎng)絡(luò)

采用AAL模板[10],將全腦分割為90個(gè)腦區(qū)(左右半腦各45個(gè)),每個(gè)腦區(qū)被定義為網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)。計(jì)算同一個(gè)腦區(qū)中所有體素的平均時(shí)間序列作為該區(qū)域的時(shí)間序列,對(duì)于所得到的每個(gè)腦區(qū)時(shí)間序列,計(jì)算兩兩之間的偏相關(guān)系數(shù),得到90×90的關(guān)聯(lián)矩陣。

通常,根據(jù)設(shè)定的閾值,將關(guān)聯(lián)矩陣轉(zhuǎn)化為二值的鄰接矩陣,也就是說當(dāng)節(jié)點(diǎn)i和節(jié)點(diǎn)j的偏相關(guān)系數(shù)大于某一特定閾值時(shí),矩陣元素aij的值為1,表示節(jié)點(diǎn)i和j之間存在連接,否則aij的值為0。但是如果四組被試設(shè)置相同的相關(guān)系數(shù)閾值,則會(huì)造成每組被試網(wǎng)絡(luò)中邊的數(shù)量不一致,網(wǎng)絡(luò)規(guī)模也就不一致,在此基礎(chǔ)上進(jìn)行網(wǎng)絡(luò)屬性和節(jié)點(diǎn)屬性的分析是沒有意義的。因此,大多數(shù)研究均采用稀疏度S來確定節(jié)點(diǎn)之間是否建立邊,使不同被試的腦網(wǎng)絡(luò)具有相同的規(guī)模。其中S是指網(wǎng)絡(luò)中實(shí)際存在的邊數(shù)與網(wǎng)絡(luò)中可能存在的最大邊數(shù)(設(shè)為N)的比值。本研究中采用在相同稀疏度下對(duì)比NC、MCI、AD的腦網(wǎng)絡(luò)。具體方法為，設(shè)定稀疏度閾值之后,將關(guān)聯(lián)矩陣的相關(guān)系數(shù)遞減排序,如節(jié)點(diǎn)i與節(jié)點(diǎn)j之間的相關(guān)系數(shù)在(S×N)個(gè)之前,則在節(jié)點(diǎn)i與節(jié)點(diǎn)j建立一條單向邊。由于目前沒有單個(gè)稀疏度閾值設(shè)置的黃金標(biāo)準(zhǔn),稀疏度范圍的選取不同的研究者選取的結(jié)果有所不同。本研究的稀疏度選取范圍為8%～30%,間隔0.01。

1.4 網(wǎng)絡(luò)統(tǒng)計(jì)特征及分析

常用的腦網(wǎng)絡(luò)節(jié)點(diǎn)屬性包括節(jié)點(diǎn)度、節(jié)點(diǎn)中心度、節(jié)點(diǎn)效率等指標(biāo)。無向無權(quán)腦網(wǎng)絡(luò)G(N,K)中的節(jié)點(diǎn)屬性描述如下,其中N表示網(wǎng)絡(luò)中的節(jié)點(diǎn)總數(shù),K表示邊數(shù)。

1)節(jié)點(diǎn)度。節(jié)點(diǎn)i的度定義為與該節(jié)點(diǎn)相連的邊的數(shù)目,反映了該節(jié)點(diǎn)與網(wǎng)絡(luò)G中其他節(jié)點(diǎn)之間的關(guān)系,也體現(xiàn)了該節(jié)點(diǎn)在網(wǎng)絡(luò)中的地位和作用,其公式可表示為式(1)，

(1)

式中：aij表示網(wǎng)絡(luò)中第i個(gè)節(jié)點(diǎn)與第j個(gè)節(jié)點(diǎn)之間的連接數(shù)。

2)節(jié)點(diǎn)中間中心度。節(jié)點(diǎn)i的中間中心度定義為網(wǎng)絡(luò)中所有的其它節(jié)點(diǎn)對(duì)之間最短路徑中通過該節(jié)點(diǎn)的最短路徑數(shù),反映了節(jié)點(diǎn)i在網(wǎng)絡(luò)中的重要性,具有高中間中心度的節(jié)點(diǎn)是網(wǎng)絡(luò)中的信息交流樞紐,其公式可表示為式(2)，

(2)

式中：σmn表示節(jié)點(diǎn)m和n之間的最短路徑數(shù)；σmn(i)表示節(jié)點(diǎn)m到n經(jīng)過的最短路徑數(shù)。

3)節(jié)點(diǎn)效率。節(jié)點(diǎn)i的效率定義為該節(jié)點(diǎn)與網(wǎng)絡(luò)中其他節(jié)點(diǎn)的最短路徑的調(diào)和平均數(shù),衡量一個(gè)節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)中其他節(jié)點(diǎn)的信息傳播的能力,其公式可表示為式(3)，

(3)

式中：dij表示節(jié)點(diǎn)i和j之間的最短路徑長度,反映了該節(jié)點(diǎn)到網(wǎng)絡(luò)中其他節(jié)點(diǎn)的難易程度。

1.5 分類器訓(xùn)練與測試

采用單因素方差分析方法,取p<0.001為差異有統(tǒng)計(jì)學(xué)意義,10個(gè)相鄰體素為體素閾值,分析患者灰質(zhì)萎縮的區(qū)域,提取這些區(qū)域的灰度體積作為結(jié)構(gòu)影像數(shù)據(jù)的分類特征。對(duì)每個(gè)節(jié)點(diǎn)屬性的不同稀疏度下的平均值A(chǔ)UC進(jìn)行K-S檢驗(yàn),具有顯著差異(p<0.05)的腦區(qū)的AUC值作為功能影像數(shù)據(jù)的分類特征。

文中先采用SVM算法,利用網(wǎng)格算法進(jìn)行參數(shù)尋優(yōu)獲得最佳分類準(zhǔn)確率,再用5折交叉驗(yàn)證,將數(shù)據(jù)樣本隨機(jī)分成5份,其中一份作為測試集,剩余4份作為訓(xùn)練集。重復(fù)5次,將最后得到的平均準(zhǔn)確率,作為分類模型的分類準(zhǔn)確率。

2 結(jié)果

2.1 患者灰質(zhì)萎縮的區(qū)域及灰質(zhì)體積

方差檢驗(yàn)結(jié)果表明AD、MCI的右側(cè)海馬、右側(cè)顳中回、右側(cè)顳下回、右側(cè)梭狀回、左側(cè)顳中回、左側(cè)顳下回、左側(cè)海馬區(qū)域存在顯著的組間差異(圖2為這些區(qū)域的灰質(zhì)體積)。結(jié)果表明，隨著病情的加重,除雙側(cè)楔前葉外,大部分區(qū)域都呈現(xiàn)灰質(zhì)體積減小的趨勢。

圖2 AD、MCI患者灰質(zhì)萎縮區(qū)域及灰質(zhì)體積

2.2 患者腦功能網(wǎng)絡(luò)中的異常節(jié)點(diǎn)

對(duì)比正常老年人與MCI患者腦網(wǎng)絡(luò)中各腦區(qū)的節(jié)點(diǎn)屬性,發(fā)現(xiàn)顳橫回(HES)、枕上回(SOG)、頂下緣角回(IPL)、前扣帶和旁扣帶腦回(ACG)、回直肌(REC) 、楔前葉(PCUN)、眶部額中回(ORBmid)等腦區(qū)的節(jié)點(diǎn)中心度在多個(gè)網(wǎng)絡(luò)稀疏度下均存在顯著差異(p<0.05),顳橫回(HES)、枕上回(SOG)、頂上回(SPG)等腦區(qū)的節(jié)點(diǎn)效率在多個(gè)網(wǎng)絡(luò)稀疏度下均存在顯著差異(p<0.05);相對(duì)于EMCI,LMCI患者的三角部額下回(IFGtriang)、嗅皮質(zhì)(OLF) 等腦區(qū)的節(jié)點(diǎn)中心度在多個(gè)網(wǎng)絡(luò)稀疏度下均存在顯著差異(p<0.05),三角部額下回(IFGtriang)、眶部額下回 (ORBinf) 等腦區(qū)的節(jié)點(diǎn)效率在多個(gè)網(wǎng)絡(luò)稀疏度下均存在顯著差異(p<0.05);相對(duì)于LMCI,AD患者的三角部額下回(IFGtriang)、島蓋部額下回(IFGoperc)、角回(ANG) 等腦區(qū)的節(jié)點(diǎn)中心度在多個(gè)網(wǎng)絡(luò)稀疏度下均存在顯著差異(p<0.05),島蓋部額下回(IFGoperc)、緣上回(SMG)、三角部額下回(IFGtriang)、顳上回(STG) 等腦區(qū)的節(jié)點(diǎn)效率在多個(gè)網(wǎng)絡(luò)稀疏度下均存在顯著差異(p<0.05)。

2.3 分類結(jié)果

表2給出了5折交叉驗(yàn)證的SVM訓(xùn)練結(jié)果。其結(jié)果表明，使用腦網(wǎng)絡(luò)局部屬性進(jìn)行AD與NC，MCI與NC，AD與MCI的分類正確率分別為70.6%，78.3%，71.4%;加入MMSE量表得分之后,正確率分別為83.9%，80.0%，72.2%,加入結(jié)構(gòu)特征之后,正確率分別為100%，91.7%，87.6%;

如果同時(shí)使用結(jié)構(gòu)特征、功能網(wǎng)絡(luò)特征與MMSE量表,正確率達(dá)到100%，91.7%，87.8%。

表2 分類結(jié)果 %

2.4 結(jié)果分析

研究發(fā)現(xiàn)AD、MCI的功能與結(jié)構(gòu)都與正常對(duì)照存在一些差異,這些差異與已有的研究結(jié)論較為一致。圖2結(jié)果表明AD、MCI的右側(cè)海馬、右側(cè)顳中回、右側(cè)顳下回、右側(cè)梭狀回、左側(cè)顳中回、左側(cè)顳下回、左側(cè)海馬區(qū)域的灰度體積值逐漸下降。國內(nèi)外基于VBM方法的很多研究表明,AD患者和MCI患者在雙側(cè)海馬存在皮質(zhì)萎縮[11-12]。AD的病理發(fā)展是早期在內(nèi)嗅皮質(zhì)、海馬旁回和顳頂葉區(qū)域發(fā)生神經(jīng)元丟失,然后逐漸蔓延至前腦部區(qū)域[13],實(shí)驗(yàn)的結(jié)果顯示AD和MCI在海馬區(qū)域灰質(zhì)萎縮最嚴(yán)重,然后是顳葉和額葉,與AD病理改變的范圍和發(fā)生方式接近。研究中還發(fā)現(xiàn)了包括額葉、顳葉、邊緣系統(tǒng)和基底節(jié)等區(qū)域的多個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)拓?fù)鋵傩源嬖诋惓?說明AD、MCI認(rèn)知功能受損并非由少數(shù)腦區(qū)受損導(dǎo)致,而是全腦多個(gè)腦區(qū)均有不同程度的損傷。這些腦區(qū)與記憶、聽覺、語言、注意力等認(rèn)知緊密相關(guān),與AD患者認(rèn)知功能障礙的行為表現(xiàn)是一致,即，AD除明顯的記憶障礙外,其他認(rèn)知功能,如語言、注意力、視空間功能等均有不同程度的受損,其中記憶功能的損傷最為普遍。

3 總結(jié)

文中提出了綜合提取結(jié)構(gòu)特征和功能特征,并結(jié)合MMSE量表的AD、MCI診斷模型。其中，功能特征提取靜息態(tài)腦功能網(wǎng)絡(luò)中異常節(jié)點(diǎn)屬性,結(jié)構(gòu)特征提取右側(cè)海馬、右側(cè)顳中回、右側(cè)顳下回、右側(cè)梭狀回、左側(cè)顳中回、左側(cè)顳下回、左側(cè)海馬等區(qū)域的灰質(zhì)體積。AD與NC，MCI與NC，AD與MCI的分類正確率大于85%,結(jié)果說明提出的分類模型是一種較好的輔助診斷模型。

[1] Misra C，F(xiàn)an Y，Davatzikos C.Baseline and longitudinal patterns of brain atrophy in MCI patients，and their use in prediction of short-term conversion to AD:results from ADNI[J].NeuroImage，2009，44：1414-1422.

[2] Petersen R C,Negash S.Mild cognitive impairment:An overview[J].CNS Spectrums,2008，13(1):45-53.

[3] Bischkopf J,Busse A,Angermeyer MC.Mild cognitive impairment-a review of prevalence，incidence and outcome according to current approaches[J].Acta Psychiatrica Scandinavica，2002，106：403-414.

[4] Wee Chongyaw,Yap Pewthian,Kevin Denny,et al.Resting-state multi-spectrum functional connectivity networks for identification of MCI patients[J].PLOS ONE,2012,7(5):e37828.

[5] 丁 萍，魏文石，嵇 鳴，等.輕度認(rèn)知障礙和輕度Alzheimer 病海馬體積和1H-MRS 對(duì)比研究[J].實(shí)用放射學(xué)雜志,2008,24:1313-1316.

[6] Saka E,Dogan E A,Topcuoglu M A,et al.Linear measures of temporal lobe atrophy on brain magnetic resonance imaging (MRI) but not visual rating of white matter changes can help discrimination of mild cognitive impairment (MCI) and Alzheimer′s disease(AD)[J].Arch of Gerontol and Geriatr,2007,44(2):141-151.

[7] Xie T,He Y.Mapping the Alzheimer′s brain with connectomics[J].Front Psychiatry,2012,2:77.

[8] Wang J,Zuo X,Dai Z,et al.Disrupted functional brain connectome in individuals at risk for Alzheimer′s disease[J].Biol Psychiatry,2013,73(5):472-481.

[9] Yan C G,Zang Y F.DPARSF:a MATLAB toolbox for “Pipeline”data analysis of resting-state fMRI[J].Front Syst Neurosci,2010,4:13.

[10] Tzourio-Mazoyer N,Landeau B,Papathanassiou D,et al.Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain[J].Neuroimage,2002,5(1):273-289.

[11] Aisen P S,Petersen R C,Donohue M C,et al.Clinical Core of the Alzheimer′s Disease Neuroimaging Initiative:progress and plans[J].Alzheimer′s & Dementia,2010,6(3):239-246.

[12] Kaufer D I,Cummings J L,Ketchel P.Validation of the NPI-Q,a brief clinical form of the Neuropsychiatric Inventory[J].Journal of Neuropsychiatry and Clinical Neurosciences,2000,12(2):233-239.

[13] Pfeffer R I,Kurosaki T T,Harrah C H,et al.Measurement of functional activities in older adults in the community[J].Journal of gerontology,1982,37(3):323-329.

(編輯：朱倩)

The AD Classification Model Based on Multimodality MRI

WU Zheng,XIANG Jie,LIANG Hong,CAO Rui,CHEN Junjie

(CollegeofComputerScienceandTechnology,TaiyuanUniversityofTechnology,Taiyuan030024，China)

The multi-modal magnetic resonance imaging data were used to construct rest functional networks，then，the network properties and the gray matter volume of atrophy gray matter in structures images were extracted as the classification feature to train the SVM classifier.Experimental results show that the combination of structural and functional characteristics can differentiate MCI and normal control (accuracy of 91.7%)，AD and normal controls (accuracy of 100%)，AD and MCI (accuracy of 87.8%)，thus effectively improving the classification accuracy rate of two types of diseases.It shows that the classification model described in this paper is an effective diagnosis model.

sMRI；fMRI；resting state functional brain networks；alzheimer′s disease； classification

2014-06-26

國家自然科學(xué)基金資助項(xiàng)目：抑郁癥fMRI數(shù)據(jù)分析方法及輔助診斷治療模型研究(61170136，61373101)；山西省自然科學(xué)基金資助項(xiàng)目(2011011015-4)；北京市博士后工作經(jīng)費(fèi)資助項(xiàng)目(Q6002020201201)

武政(1989- )，女，山西孝義人，在讀碩士，主要從事人工智能、數(shù)據(jù)挖掘、腦信息學(xué)的研究,(E-mail)wuzheng0208@link.tyut.edu.cn

陳俊杰(1956-)，男，教授，博士生導(dǎo)師，(Tel)13803497372

1007-9432(2015)01-0085-04

TP18;TP399

A

10.16355/j.cnki.issn1007-9432tyut.2015.01.017