李勇明 李 帆 朱雪茹 王 品 劉書君 邱明國(guó)

(1重慶大學(xué)通信工程學(xué)院, 重慶 400044)(2第三軍醫(yī)大學(xué)生物醫(yī)學(xué)工程學(xué)院, 重慶 400038)

?

基于可分性距離判據(jù)和腦MR圖像的AD癥腦部年齡檢測(cè)

李勇明1,2李 帆1朱雪茹1王 品1劉書君1邱明國(guó)2

(1重慶大學(xué)通信工程學(xué)院, 重慶 400044)(2第三軍醫(yī)大學(xué)生物醫(yī)學(xué)工程學(xué)院, 重慶 400038)

阿爾茨海默病(AD)癥不同狀態(tài)所對(duì)應(yīng)的腦部年齡與實(shí)際年齡存在偏差,為了準(zhǔn)確預(yù)測(cè)該偏差得到腦部年齡,在現(xiàn)有基于腦磁共振(MR)圖像年齡檢測(cè)方法的基礎(chǔ)上,提出了一種新的腦部年齡檢測(cè)算法.首先，設(shè)定偏差搜索范圍；然后，基于可分性距離判據(jù)設(shè)計(jì)了適應(yīng)度函數(shù),利用偏差和支持向量回歸機(jī)(SVR)獲得樣本年齡估計(jì)值，并計(jì)算出其適應(yīng)度值；接著，通過(guò)最大化適應(yīng)度值獲取偏差的最優(yōu)估計(jì),從而獲得更有利于AD癥分類的腦部年齡.與現(xiàn)有的年齡檢測(cè)方法相比,對(duì)于正常對(duì)照組(NC)與AD患者、NC與輕度認(rèn)知障礙患者(MCI)以及MCI與AD患者3種分類情況,所提方法的可分度值分別提高了0.178,0.033,0.017.因此,所提方法檢測(cè)的年齡具有更好的可分性,更有利于提高AD癥的分類準(zhǔn)確率.

腦部年齡檢測(cè);AD;分類;可分性距離判據(jù);磁共振成像;支持向量回歸機(jī)

阿爾茨海默病(AD)是一種常見(jiàn)的神經(jīng)性退行性疾病,其防治關(guān)鍵是早期無(wú)創(chuàng)診斷.磁共振成像(MRI)技術(shù)具有無(wú)創(chuàng)、空間分辨率高、性價(jià)比高等優(yōu)點(diǎn),能定量地反映腦中不同組織在結(jié)構(gòu)和功能上的變化,表征代謝物濃度,因此在AD早期診斷中取得了較好的應(yīng)用效果[1-3].目前基于MRI的癡呆癥診斷研究主要是依據(jù)圖像中肉眼可見(jiàn)的變化,通過(guò)對(duì)這些變化進(jìn)行建模從而實(shí)現(xiàn)病癥診斷[4-7].這些研究雖然取得了較好的成果,但其診斷準(zhǔn)確率等性能離實(shí)際應(yīng)用還存在一定距離.此外，相關(guān)影像特征較多,通過(guò)主成分分析(PCA)等方法壓縮的特征又不具有病理可解釋性,這些問(wèn)題都極大制約了AD癥早期診斷中MR影像標(biāo)記物的尋找.

近年研究發(fā)現(xiàn),除肉眼可見(jiàn)的變化外,腦部MR圖像還包含了肉眼不可見(jiàn)的變化,而這些變化常常表征了疾病更為本質(zhì)的演化情況,為病癥診斷提供了更實(shí)質(zhì)的信息,有利于獲取更高質(zhì)量的MR影像標(biāo)記物,實(shí)現(xiàn)更高的診斷準(zhǔn)確率.年齡是其中有代表性的影像特征.Davatzikos 等[8]發(fā)現(xiàn)了正常人老齡化過(guò)程中大腦萎縮在輕度認(rèn)知障礙(MCI)情況下變得更快.這一研究直接支持了AD癥本質(zhì)上是一種加速老齡化的假說(shuō).Hirano等[9]發(fā)現(xiàn)腦部年齡能較好地表示病理變化,其與阿爾茨海默病患者體內(nèi)乙酰膽堿酯酶代謝有關(guān).這些研究都表明基于MR影像的年齡與AD病變過(guò)程緊密相關(guān),有利于提高AD癥早期診斷準(zhǔn)確率,是優(yōu)異的影像標(biāo)記物.

基于這一共識(shí),國(guó)內(nèi)外學(xué)者開始研究如何通過(guò)腦MR圖像檢測(cè)腦部年齡,以期在AD癥早期診斷上取得突破[10-14].文獻(xiàn)[10-12]利用機(jī)器學(xué)習(xí)方法通過(guò)MR圖像特征提取到了年齡信息,并發(fā)現(xiàn)該年齡信息結(jié)合實(shí)際年齡信息可表征腦部病變過(guò)程,及部分重要致病成分(如雌二醇)的變化.Teverovskiy等[13]發(fā)現(xiàn)可以通過(guò)結(jié)構(gòu)MR圖像特征來(lái)檢測(cè)出被檢者的腦部年齡,而檢測(cè)出的年齡均值可以較好地區(qū)分阿爾茨海默病的3個(gè)不同階段(正常、認(rèn)知功能障礙、癡呆). Irimia等[14]發(fā)現(xiàn)結(jié)合腦結(jié)構(gòu)和腦網(wǎng)絡(luò)連接,可以估計(jì)腦部生理年齡,其可用作人體衰老或癡呆病變的指針.Moradi等[15]發(fā)現(xiàn),將實(shí)際年齡與MR圖像相結(jié)合可以明顯提高AD癥的診斷準(zhǔn)確率.

上述研究成果表明基于MR影像檢測(cè)腦部年齡可以有效提高AD癥早期診斷率,并有利于深刻認(rèn)識(shí)AD病變過(guò)程和形成機(jī)制.但是,這些研究均采用了實(shí)際年齡作為年齡檢測(cè)模型的期望輸出,通過(guò)最小化模型估計(jì)的年齡與實(shí)際年齡的差距來(lái)訓(xùn)練檢測(cè)模型.這一思路與“AD癥形成本質(zhì)上是加速老齡化”這一研究假說(shuō)存在一定偏差.既然AD癥不同階段實(shí)際年齡與腦部年齡差異不同,那么對(duì)于AD癥不同狀態(tài)均采用實(shí)際年齡作為期望輸出，訓(xùn)練檢測(cè)模型就不可避免存在偏差.基于此,本文引入可分性距離判據(jù)作為評(píng)價(jià)準(zhǔn)則來(lái)指導(dǎo)偏差的搜索和腦部年齡檢測(cè)模型的訓(xùn)練.

1 基于可分性距離判據(jù)的AD癥混合式腦部年齡檢測(cè)算法

1.1 本文檢測(cè)算法與傳統(tǒng)年齡檢測(cè)算法的差別

傳統(tǒng)年齡檢測(cè)算法訓(xùn)練檢測(cè)模型的誤差函數(shù)是估計(jì)年齡與實(shí)際年齡的誤差,通過(guò)最小化誤差來(lái)訓(xùn)練檢測(cè)模型逐步收斂.本文腦部年齡檢測(cè)算法訓(xùn)練檢測(cè)模型的適應(yīng)度函數(shù)是可分性距離判據(jù),即類間距離與類內(nèi)距離之比,通過(guò)最大化該比值來(lái)訓(xùn)練檢測(cè)模型逐步收斂,其目的是訓(xùn)練檢測(cè)模型來(lái)逼近最優(yōu)分類準(zhǔn)確率.2種算法的適應(yīng)度函數(shù)如下:

(1)

(2)

1.2 本文年齡檢測(cè)算法原理

本文算法主要是通過(guò)搜索年齡偏差來(lái)最大化式(2),從而獲取腦部年齡.它主要包括2部分:① 支持向量回歸機(jī)(SVR);② 可分性距離判據(jù).本文算法利用SVR來(lái)檢測(cè)腦部年齡,引入可分性距離判據(jù)設(shè)計(jì)適應(yīng)度函數(shù)作為SVR訓(xùn)練函數(shù),在檢測(cè)腦部年齡的同時(shí)充分考慮AD癥不同狀態(tài)下實(shí)際年齡與腦部年齡存在不同偏差這一規(guī)律.

既然腦部年齡和實(shí)際年齡存在偏差,且隨著AD癥狀態(tài)改變而變化,因此設(shè)該偏差為一變量.本文以二類分類為例討論,設(shè)類別1(對(duì)照組)的偏差為w,范圍為[wmin,wmax],類別2(病患組)的偏差為q,范圍為[qmin,qmax].假設(shè)類別1的樣本的實(shí)際年齡為Aclass1_i,類別2的樣本的實(shí)際年齡為Aclass2_j,則SVR訓(xùn)練模型的期望輸出不再是Aclass1_i和Aclass2_j,而分別是Aclass1_i+w和Aclass2_j+q.

1.2.1 基于可分性距離判據(jù)和SVR的腦部年齡檢測(cè)模型

算法的偽代碼流程如下所示.

輸入:訓(xùn)練樣本特征矩陣G、驗(yàn)證樣本特征矩陣H、測(cè)試樣本特征矩陣T.

初始化:當(dāng)前偏差組合(w,q).

過(guò)程:

① 針對(duì)當(dāng)前偏差組合(w,q),修改訓(xùn)練樣本G的年齡標(biāo)簽,得到新的訓(xùn)練樣本對(duì)G1.第1類訓(xùn)練樣本記為{(x11,y11+w),…,(x1i,y1i+w),…,(x1n1,y1n1+w)},n1為第1類樣本的總數(shù).第2類訓(xùn)練樣本記為{(x21,y21+q),…,(x2i,y2i+q),…,(x2n2,y2n2+q)},n2為第2類樣本的總數(shù).

② 將G1送入SVR進(jìn)行訓(xùn)練,獲得訓(xùn)練后的SVR模型,保存SVR模型參數(shù).

④ 比較偏差組合(w,q)和[wmin,wmax]及[qmin,qmax],判斷是否結(jié)束遍歷,若是,則進(jìn)入第⑤步;否則返回第①步.

⑥ 將測(cè)試樣本特征矩陣T輸入到SVRopt,得到測(cè)試樣本的腦部年齡.

輸出:最優(yōu)偏差組合(wma,qma)及測(cè)試樣本的腦部年齡.

1.2.2 基于可分性距離判據(jù)的適應(yīng)度函數(shù)

可分性距離判據(jù)是表征分類能力的評(píng)價(jià)準(zhǔn)則之一,可替代分類準(zhǔn)確率用于特征選擇中,其值與分類回歸能力成正比[16].λ1,λ2為2種基于可分性距離判據(jù)的適應(yīng)度函數(shù)，算式如下:

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)條件

為了驗(yàn)證本文算法的有效性,選用AD的公共數(shù)據(jù)ADNI進(jìn)行實(shí)驗(yàn).為了消除樣本數(shù)帶來(lái)的影響,3類樣本均取同樣的數(shù)目.AD數(shù)目較少,因此以AD數(shù)目為準(zhǔn),取411個(gè).3類樣本的年齡分布區(qū)間相似,為便于描述,稱該數(shù)據(jù)集為“海馬體數(shù)據(jù)”.本文分別做了2種實(shí)驗(yàn),第1種實(shí)驗(yàn)采用適應(yīng)度函數(shù)λ1,第2種實(shí)驗(yàn)采用適應(yīng)度函數(shù)λ2.SVR的核函數(shù)為線性核函數(shù).

2.2 腦部年齡檢測(cè)結(jié)果

根據(jù)經(jīng)驗(yàn),年齡偏差(w,q)應(yīng)不會(huì)太大,因此取其區(qū)間為:[wmin,wmax]=[-10,10],[qmin,qmax]=[-10,10].實(shí)驗(yàn)重復(fù)10次.表1記錄了年齡檢測(cè)結(jié)果w和q的均值.其中,NC_AD, NC_MCI, MCI_AD分別是對(duì)正常對(duì)照組與AD患者,正常對(duì)照組與MCI患者以及MCI患者與AD患者.采用3種方法進(jìn)行實(shí)驗(yàn)：① 僅考慮實(shí)際年齡，即未考慮年齡偏差；② 基于λ1，利用本文算法檢測(cè)腦年齡偏差；③ 基于λ2，利用本文算法檢測(cè)腦年齡偏差.并分別計(jì)算方法②和③下年齡偏差的顯著性差異(P).

從表1可看出,2種NC_AD實(shí)驗(yàn)中,w的均值分別為-3.8和-1.6,q的均值分別為3和3.1,w始終小于q,這說(shuō)明正常人和AD患者的腦部年齡和實(shí)際年齡的差異是不同的,因此利用偏差去區(qū)分正常人和AD患者具有較好的分類能力.還發(fā)現(xiàn),w值通常小于0,q值通常大于0,這說(shuō)明正常人的腦部年齡通常低于其實(shí)際年齡,而AD患者的腦部年齡要大于其實(shí)際年齡.本文算法檢測(cè)的年齡偏差很多情況下與實(shí)際年齡具有顯著性差異(P<0.05),這說(shuō)明本文算法所檢測(cè)的年齡偏差非常穩(wěn)定.

表1 海馬體數(shù)據(jù)(w,q)檢測(cè)結(jié)果

為了更直觀地顯示表1中w和q之間的相對(duì)關(guān)系,本文針對(duì)NC_AD的分類進(jìn)行了10次實(shí)驗(yàn).圖1給出了10次實(shí)驗(yàn)中被檢測(cè)出的w和q值.

從圖1可發(fā)現(xiàn),10次實(shí)驗(yàn)中,w和q交疊較少,這說(shuō)明兩者顯著不同,表明依據(jù)偏差可以明顯區(qū)分NC和AD兩種狀態(tài).此外可以發(fā)現(xiàn),w和q波動(dòng)較大,這可能是數(shù)據(jù)本身噪聲導(dǎo)致的或本文方法還需改進(jìn).針對(duì)每一次實(shí)驗(yàn),訓(xùn)練樣本、驗(yàn)證樣本以及測(cè)試樣本都是隨機(jī)劃分的,因此每次訓(xùn)練樣本訓(xùn)練出來(lái)的模型不同,并且可能差異較大,每次驗(yàn)證樣本的腦部年齡達(dá)到最大適應(yīng)度值時(shí)對(duì)應(yīng)的最佳年齡偏差組合(w,q)變化較大.另一方面,數(shù)據(jù)本身具有一定噪聲,也會(huì)影響模型的訓(xùn)練和建立以及后續(xù)年齡偏差獲取的穩(wěn)定性.此外,本文算法檢測(cè)的年齡偏差w和q是分別針對(duì)2類樣本的年齡偏差的平均值,而非每個(gè)個(gè)體的年齡偏差,因此準(zhǔn)確性還有待改進(jìn).如果考慮對(duì)每個(gè)個(gè)體檢測(cè)其對(duì)應(yīng)的年齡偏差,其時(shí)間代價(jià)將是現(xiàn)有檢測(cè)所需時(shí)間的m倍,m為平均每一類樣本數(shù).下一步,可以考慮引入高速GPU或高性能并行計(jì)算加以改進(jìn).

(a) 第1種實(shí)驗(yàn)

(b) 第2種實(shí)驗(yàn)

2.3 實(shí)測(cè)腦部年齡的可分性

本文采用目前常用的年齡檢測(cè)算法[10]進(jìn)行比較.實(shí)驗(yàn)中，對(duì)樣本進(jìn)行了隨機(jī)劃分，得到了10組樣本，每組樣本均包含訓(xùn)練、驗(yàn)證和測(cè)試樣本.采用本文研究的腦部年齡檢測(cè)算法，針對(duì)每組訓(xùn)練樣本進(jìn)行訓(xùn)練，對(duì)測(cè)試樣本進(jìn)行測(cè)試，得到測(cè)試樣本被檢測(cè)的年齡的可分度值(即適應(yīng)度值)的均值和標(biāo)準(zhǔn)差.采用文獻(xiàn)[10]算法對(duì)相同的測(cè)試樣本進(jìn)行實(shí)測(cè)，得到測(cè)試樣本的腦部年齡，并計(jì)算相應(yīng)的適應(yīng)度值.采用不考慮年齡檢測(cè)的算法，對(duì)相同的測(cè)試樣本，直接計(jì)算其實(shí)際年齡的適應(yīng)度值.針對(duì)NC_AD，NC_MCI，MCI_AD三種分類情況，比較上述3種算法得到的適應(yīng)度值.3種算法下的適應(yīng)度值均采用適應(yīng)度函數(shù)λ1計(jì)算，結(jié)果見(jiàn)表2.

由表2可見(jiàn),本文算法檢測(cè)的腦部年齡比傳統(tǒng)檢測(cè)算法具有更好的可分性,這說(shuō)明本文算法檢測(cè)的腦部年齡更有利于后續(xù)的樣本分類.此外,還發(fā)現(xiàn)3種方法所得到的可分度值呈逐漸增大趨勢(shì),這說(shuō)明進(jìn)行腦部年齡檢測(cè)是必要的,同時(shí)本文的檢測(cè)方法效果更好.另外,從標(biāo)準(zhǔn)差與均值的關(guān)系來(lái)看,本文算法也比另外2種方法更穩(wěn)定.

表2 實(shí)測(cè)樣本的腦部年齡對(duì)比

圖2顯示了在NC_AD,NC_MCI, MCI_AD三種分類情況下,3種方法實(shí)測(cè)得到的腦部年齡分布.橫坐標(biāo)為實(shí)際年齡,縱坐標(biāo)為檢查得到的腦部年齡.對(duì)于不考慮年齡檢測(cè)的情況,縱坐標(biāo)也是實(shí)際年齡.

由圖2(a)可看出,當(dāng)不考慮年齡檢測(cè)結(jié)果時(shí),樣本混雜在一根直線上,完全不可分.由圖2(b)可看出,當(dāng)采用傳統(tǒng)年齡檢測(cè)方法后,檢測(cè)出的年齡具有一定的可分性,但大部分樣本仍然混雜在一起,可分性較低.由圖2(c)可看出,當(dāng)采用本文的腦部年齡檢測(cè)算法后,檢測(cè)出的年齡的可分性明顯提高,2類樣本很容易分開.由圖2(d)～(i)可看出,對(duì)于NC_MCI和MCI_AD分類情況下,該規(guī)律依然較明顯,但可分度的提升效果不如NC_AD明顯.其可能的原因是,NC和MCI以及MCI和AD的差異沒(méi)有NC和AD大,年齡偏差表征不同狀態(tài)的能力也有所下降.上述結(jié)果說(shuō)明，本文提出的腦部年齡檢測(cè)算法更有利于AD癡呆癥的診斷.

3 結(jié)語(yǔ)

MR是無(wú)創(chuàng)檢測(cè)癡呆癥的有效成像方式,但傳統(tǒng)研究主要是基于肉眼可見(jiàn)變化來(lái)建模實(shí)現(xiàn)癡呆癥分類,忽略了肉眼不可見(jiàn)但實(shí)際上隱含在圖像中的信息.本文針對(duì)AD的MR圖像特征數(shù)據(jù)集,提出并實(shí)現(xiàn)了一種新的腦部年齡檢測(cè)算法,取得了較好的改進(jìn)效果.

(a) NC_AD中不考慮年齡檢測(cè)結(jié)果

(b) NC_AD中傳統(tǒng)算法檢測(cè)結(jié)果

(c) NC_AD中本文算法檢測(cè)結(jié)果

(d) NC_MCI中不考慮年齡檢測(cè)結(jié)果

(e) NC_MCI中傳統(tǒng)算法檢測(cè)結(jié)果

(f) NC_MCI中本文算法檢測(cè)結(jié)果

(g) MCI_AD中不考慮年齡檢測(cè)結(jié)果

(h) MCI_AD中傳統(tǒng)算法檢測(cè)結(jié)果

(i) MCI_AD中本文算法檢測(cè)結(jié)果

References)

[1]Selkoe D J. Preventing Alzheimer’s disease[J].Science, 2012, 337(6101): 1488-1492. DOI:10.1126/science.1228541.

[2]Biessels G J. Diagnosis and treatment of vascular damage in dementia[J].BiochimicaetBiophysicaActa, 2015, 1862(5):869-877. DOI:10.1016/j.bbadis.2015.11.009.

[3]Tondelli M, Wilcock G K, Nichelli P, et al. Structural MRI changes detectable up to ten years before clinical Alzheimer’s disease[J].NeurobiologyofAging, 2012, 33(4):25-36. DOI:10.1016/j.neurobiolaging.2011.05.018.

[4]Tosun D, Mojabi P, Weiner M W, et al. Joint analysis of structural and perfusion MRI for cognitive assessment and classification of Alzheimer’s disease and normal aging[J].Neuroimage, 2010, 52(1):186-197. DOI:10.1016/j.neuroimage.2010.04.033.

[5]李勇明, 呂洋, 李帆, 等. 基于磁共振影像特征集成融合的 AD 診斷[J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 46(2): 271-276. DOI:10.3969/j.issn.1001-0505.2016.02.008. Li Yongming, Lü Yang, Li Fan, et al. AD diagnosis based on integrated fusion of MR image features[J].JournalofSoutheastUniversity(NaturalScienceEdition), 2016, 46(2): 271-276. DOI:10.3969/j.issn.1001-0505.2016.02.008.(in Chinese)

[6]Ortiz A, Górriz J M, Ramírez J, et al. LVQ-SVM based CAD tool applied to structural MRI for the diagnosis of the Alzheimer’s disease[J].PatternRecognitionLetters, 2013, 34(14):1725-1733. DOI:10.1016/j.patrec.2013.04.014.

[7]郭圣文, 池敏越, 岑桂英, 等. MR影像體素形態(tài)學(xué)的阿爾茨海默病自動(dòng)分類方法[J], 東南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015,45(2): 260-265. DOI:10.3969/j.issn.1001-0505.2015.02.012. Guo Shengwen,Chi Minyue, Cen Guiying,et al. Automatic classification method of Alzheimer’s disease by voxel-based morphometry on MR images[J].JournalofSoutheastUniversity(NaturalScienceEdition), 2015,45(2): 260-265. DOI:10.3969/j.issn.1001-0505.2015.02.012. (in Chinese)

[8]Davatzikos C, Fan Y, Wu X Y, et al. Detection of prodromal Alzheimer’s disease via pattern classification of magnetic resonance imaging[J].NeurobiologyofAging, 2008, 29(4):514-523. DOI:10.1016/j.neurobiolaging.2006.11.010.

[9]Hirano S, Shinotoh H, Shimada H, et al. Age correlates with cortical acetylcholinesterase decline in Alzheimer’s disease patients: A PET study[J].Alzheimer’s&Dementia, 2012, 8(4):531-532. DOI:10.1016/j.jalz.2012.05.1429.

[10]Franke K, Ziegler G, Kl?ppel S, et al. Estimating the age of healthy subjects from T1-weighted MRI scans using kernel methods: Exploring the influence of various parameters[J].Neuroimage, 2010, 50(3):883-892. DOI:10.1016/j.neuroimage.2010.01.005.

[11]Franke K, Hagemann G, Schleussner E, et al. Changes of individual BrainAGE, during the course of the menstrual cycle[J].Neuroimage, 2015, 115:1-6. DOI:10.1016/j.neuroimage.2015.04.036.

[12]Franke K, Gaser C, Manor B, et al. Advanced BrainAGE in older adults with type 2 diabetes mellitus[J].FrontiersinAgingNeuroscience, 2013, 5:90. DOI:10.3389/fnagi.2013.00090.

[13]Teverovskiy L A, Becker J T, Lopez O L, et al. Quantified brain asymmetry for age estimation of normal and AD/MCI subjects[C]//2008 5thIEEEInternationalSymposiumonBiomedicalImaging:FromNanotoMacro.Paris,France, 2008:1509-1512.

[14]Irimia A, Torgerson C M, Goh S Y, et al. Statistical estimation of physiological brain age as a descriptor of senescence rate during adulthood[J].BrainImaging&Behavior, 2015, 9(4): 678-689. DOI:10.1007/s11682-014-9321-0.

[15]Moradi E, Pepe A, Gaser C, et al. Machine learning framework for early MRI-based Alzheimer’s conversion prediction in MCI subjects[J].Neuroimage, 2015, 104:398-412. DOI:10.1016/j.neuroimage.2014.10.002.

[16]Li Y, Zeng X, Han L, et al. Two coding based adaptive parallel co-genetic algorithm with double agents structure[J].EngineeringApplicationsofArtificialIntelligence, 2010, 23(4):526-542. DOI:10.1016/j.engappai.2009.04.004.

Detection of brain age of Alzheimer’s disease based on separability distance criterion and MR image

Li Yongming1,2Li Fan1Zhu Xueru1Wang Pin1Liu Shujun1Qiu Mingguo2

(1College of Communication Engineering, Chongqing University, Chongqing 400044, China)(2College of Biomedical Engineering, Third Military Medical University, Chongqing 400038, China)

There is a deviation between brain age and actual age corresponding to different states of Alzheimer’s disease(AD). In order to accurately predict the deviation to obtain brain age, a new method of brain age detection is proposed based on the existing magnetic resonance (MR) image age detection methods. First, the deviation search range is set. Secondly, a fitness function is designed based on the distance separability criterion, and the brain age of samples is estimated via deviation and support vector regression(SVR) and the fitness value is calculated. Thirdly, the optimal deviation is obtained by maximizing the fitness value, so that obtaining brain ages more conducive to the classification of AD. Finally, the proposed method is compared with the existing age detection method. For three kinds of classification which are normal control group (NC) and AD,NC and mild cognitive impairment (MCI) as well as MCI and AD, based on the proposed algorithm, the separability can be improved by 0.178, 0.033, and 0.017, respectively. Therefore, the age detected with the proposed algorithm has better separability and helps to improve the classification accuracy of AD.

brain age detection; Alzheimer’s disease(AD); classification; separability distance criterion; magnetic resonance imaging(MRI); support vector regression(SVR)

10.3969/j.issn.1001-0505.2016.06.005

2016-03-30. 作者簡(jiǎn)介: 李勇明(1976—)，男，博士，副教授，yongmingli@cqu.edu.cn.

國(guó)家自然科學(xué)基金資助項(xiàng)目 (61108086，91438104，11304382)、中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目 (CDJZR155507，CDJZR12160011，CDJZR13160008)、中國(guó)博士后科學(xué)基金資助項(xiàng)目(2013M532153)、重慶市博士后科研項(xiàng)目特別資助項(xiàng)目、教育部留學(xué)回國(guó)人員基金資助項(xiàng)目.

李勇明，李帆，朱雪茹，等.基于可分性距離判據(jù)和腦MR圖像的AD癥腦部年齡檢測(cè)[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,46(6):1137-1142.

10.3969/j.issn.1001-0505.2016.06.005.

TP391

A

1001-0505(2016)06-1137-06