基于多变量形态学特征的健康老年人认知发展预测算法.pdf
《基于多变量形态学特征的健康老年人认知发展预测算法.pdf》由会员分享,可在线阅读,更多相关《基于多变量形态学特征的健康老年人认知发展预测算法.pdf(12页珍藏版)》请在咨信网上搜索。
1、ISSN 10049037,CODEN SCYCE4Journal of Data Acquisition and Processing Vol.38,No.4,Jul.2023,pp.837-848DOI:10.16337/j.10049037.2023.04.008 2023 by Journal of Data Acquisition and Processinghttp:/Email:sjcj Tel/Fax:+8602584892742基于多变量形态学特征的健康老年人认知发展预测算法张玲玉1,王雅琳2,赵子阳1,黄文静3,4,5,郑炜豪1,姚志军1,胡斌1,6,7,8(1.兰州大学信
2、息科学与工程学院甘肃省可穿戴装备重点实验室,兰州 730000;2.美国亚利桑那州立大学计算、信息学和决策系统工程学院,坦佩 85281;3.兰州大学第二医院核磁共振科,兰州 730030;4.兰州大学第二临床医学院,兰州 730030;5.甘肃省功能及分子影像临床医学研究中心,兰州 730030;6.北京理工大学医学技术学院,北京 100081;7.中国科学院神经科学研究所脑科学与智能技术卓越创新中心,上海 200031;8.中国科学院半导体研究所兰州大学认知神经传感技术联合研究中心,兰州 730000)摘要:由于体积、表面积等常规形态学指标对于皮层下核团而言过于笼统,因此传统的形态特征获取
3、手段难以检测到其表面形态的细微变化。为解决这一问题,本文提出了一种针对皮层下核团的精细特征提取算法,并将其应用到老年人认知状态预测任务上。通过表面共形参数化、表面共形表示和基于互信息的表面流配准,提取了 46名被试双侧海马和杏仁核各 15 0002个顶点上的形态学特征;通过斑块选择、稀疏编码与字典学习,和最大池化的降维流程,避免了维度诅咒的同时充分保留了核团的纹理信息;最后,以树为弱学习器,采用 GentleBoost算法集成了最终的强分类器做认知预测。结果显示,仅纳入海马和杏仁核两个皮层下结构的新颖特征,即可达到 85%的预测准确率,为皮层下结构的精细特征发掘提供了新思路。关键词:皮层下核团
4、;多变量形态学;精细特征提取;海马体;杏仁核;认知状态预测中图分类号:TP391 文献标志码:ACognitive Development Prediction Algorithm for Healthy Elderly Based on Multivariate Morphological FeaturesZHANG Lingyu1,WANG Yalin2,ZHAO Ziyang1,HUANG Wenjing3,4,5,ZHENG Weihao1,YAO Zhijun1,HU Bin1,6,7,8(1.Gansu Provincial Key Laboratory of Wearable C
5、omputing,School of Information Science and Engineering,Lanzhou University,Lanzhou 730000,China;2.School of Computing,Informatics,and Decision Systems Engineering,Arizona State University,Tempe 85281,USA;3.Department of Magnetic Resonance,Lanzhou University Second Hospital,Lanzhou 730030,China;4.Seco
6、nd Clinical School,Lanzhou University,Lanzhou 730030,China;5.Gansu Province Clinical Research Center for Functional and Molecular Imaging,Lanzhou 730030,China;6.School of Medical Technology,Beijing Institute of Technology,Beijing 100081,China;7.Center for Excellence in Brain Science and Intelligence
7、 Technology,Shanghai Institutes for Biological Sciences,Chinese Academy of Sciences,Shanghai 200031,China;8.Joint Research Center for Cognitive Neurosensor Technology of Lanzhou University&Institute of Semiconductors,Chinese Academy of Sciences,Lanzhou 730000,China)Abstract:Because conventional morp
8、hological indicators such as volume and surface area are too general 基金项目:国家重点研发计划(2019YFA0706200);国家自然科学基金(U21A20520,62227807,61632014,61627808);科技创新2030重点项目(2021ZD0200701)。收稿日期:20220507;修订日期:20220829数据采集与处理 Journal of Data Acquisition and Processing Vol.38,No.4,2023for the subcortical nuclei,it is
9、 difficult to detect the subtle changes in the surface morphology using traditional morphological feature acquisition methods.To solve this problem,we propose a fine feature extraction algorithm for subcortical nuclei and apply it to the cognitive state prediction task of the elderly.Using surface c
10、onformal parameterization,surface conformal representation,and the surface fluid registration based on mutual information,15 0002 morphological features are extracted from both the bilateral hippocampus and amygdala of 46 subjects.Using the dimensionality reduction process,including patch selection,
11、sparse coding and dictionary learning,and max-pooling,we avoid the dimensionality curse while fully preserving the texture information of nuclei.Finally,taking tree as the weak learner,we integrate the final strong classifier using the GentleBoost algorithm for cognitive prediction.The results show
12、that the prediction accuracy of 85%could be achieved only by the novel features of the hippocampus and amygdala,providing a new way perspective for fine feature mining of subcortical structures.Key words:subcortical nuclei;multi-varite morphological;fine feature extraction;hippocampus;amygdala;cogni
13、tive state prediction引言世界人口老龄化已成为当今社会的重大变革之一,而认识认知的老龄化也已逐渐成为科研工作者的重要课题12。作为老年研究的首要任务,预防老年认知能力的衰退尤为重要,但相关工作的成果迄今为止还很有限。长期以来,老年群体的认知衰退被认为是阿尔兹海默症(Alzheimer s disease,AD)的后果,但有研究表明,大脑的老化与各种认知相关的神经生理基础都有关,换句话说,认知的衰退既有复杂性又有异质性,其诱因涉及非常广泛的神经病理基础3。前人研究和报道最多的有关神经病理包括阿尔兹海默症、路易小体和梗塞45,也有研究表明海马硬化是驱动认知下降的潜在因素之一6。
14、海马突触的可塑性在认知功能中起着核心作用7,杏仁核中存在着大量与复杂认知功能有关的锥体神经元8,但这些皮层下子结构是否存在显著的形态学变化,以及这些形态学变化是否能用以预测老年个体的未来认知状态,暂未得到充分研究。T1加权磁共振成像(Magnetic resonance imaging,MRI)由于其信息含量丰富,又具有较高的稳定性和可重复性,已成为近年来研究脑的重要工具9。然而,早期研究发现,基于表面的大脑测绘作为一种研究大脑结构特征(如由于疾病或发育过程导致的大脑复杂性和模式变化)的方法,其敏感性和检测能力可能优于基于体积的大脑测绘的表现10。虽然大多数皮层下结构分析工作使用体积作为萎缩程
15、度的度量,但很多研究已经证明,基于表面的皮层下结构分析可能比体积测量更有优势11。常规的体积、表面积等指标对于皮层下核团而言并不敏感,难以检测到其表面局部的细微形变,因而许多研究对皮层下核团的信息利用得并不充分。基于体素的形态学检测(Voxelbased morphometry,VBM)方法更为细致,能在配准准确的情况下发现局部灰白质异常,但由于伪影的存在,其阳性结果往往还需要再验证。最近的研究表明,基于表面的形态学分析可以研究皮层下子结构亚区的形态学变化12,从而更精细地分析其时序演化模式,但该方法依赖于人工追踪地标从而实现准确配准。因此,如何计算曲面微分同胚映射并自动识别曲面特征成为了亟待
16、解决的问题。全纯 1形式可以用于全局共形参数化,将具有复杂拓扑的表面保角地映射到欧式平面的矩形域中;互信息已被广泛应用于医学图像配准,它可以驱动微分同胚流,通过互信息正则项,在参数域实现对应曲面的对齐;共形映射与流配准的结合能够避免大规模的手工标记地标。基于此,本文提出了一838张玲玉 等:基于多变量形态学特征的健康老年人认知发展预测算法种新颖的形态学指标提取算法,并将其应用于老年人认知状态预测任务上:纳入 46 名被试的 T1 加权MRI,这 46 名被试中包含 23 名在第一次扫描时认知水平正常但在五年内转变为轻度认知障碍(Mild cognitive impairment,MCI)或 A
17、D 的老人(Healthy control converter,HCc),和 23名在第一次扫描后 5年内认知水平维持正常的被试(Healthy control noneconverter,HCnc)。通过结构分割、表面重建和包含表面参数化、共形映射和流配准等步骤的新颖特征提取算法,获取海马和杏仁核的多变量形态统计学(Multivariate morphometry statistics,MMS)特征;然后,通过斑块选择、稀疏编码和字典学习、最大池化等流程对特征进行降维;最后,以树为弱学习器,使用 GentleBoost算法集成了最终的分类器,对两组被试作分类;同时,对两组被试的皮层下子结构提
18、取出的 MMS特征使用 Hotelling s T2 检验,计算出两组被试海马和杏仁核各自的显著差异区域。整体实验流程如图 1所示。1 被试与方法 1.1被试本研究所纳入的被试均来自于阿尔茨海默病神经影像学计划(Alzheimer s disease neuroimaging initiative,ADNI)数据库(http:/adni.loni.usc.edu/)。该数据库成立于 2003 年,由首席研究员 Michael W.Weiner 医学博士领导,其主要目标是将各模态成像与其他生物标志物、以及临床评估量表等相结合,以研究 MCI和 AD 的病程发展。本研究纳入的 23名 HCc和 2
19、3名 HCnc在第一次扫描时,其简易智aT1加权 MRI;bT1像中分割出的海马和杏仁核;c重建的表面;d配准后每个顶点都测出 MMS 特征的表面网格;eRD(Radial distance),轴心距;mTBM(Multivariate tensorbased morphometry),多元表面张量;MMS(Multivariate morphometry statistics),多元形态学统计量;f两组被试皮层下结构的显著差异区域;g特征降维流程;h分类器集成图 1整体实验流程Fig.1Overall experimental process839数据采集与处理 Journal of Dat
20、a Acquisition and Processing Vol.38,No.4,2023力状态检查量表(Minimental state examination,MMSE)分数均大于 24,临床痴呆评估量表(Clinical dementia rating,CDR)分数均为 0,且其中记忆分数一项严格为 0。具体的被试统计信息如表 1所示,其中性别 p值由卡方检验算出,年龄、MMSE和 CDR行的 p值由双样本 t检验算出。1.2特征提取首先使用 FSL(FMRIB Software Library)中嵌入的自动分割工具包 FIRST(FMRIBs integrated registrati
21、on toolkit)分割双侧海马和杏仁核;然后采用保持拓扑水平集方法13建立曲面模型,使用Marching cube算法14在曲面模型上建立三角形网格,并对表面模型和网格进行严格的人工检查;为了克服部分容积效应、使曲面更适合生成共形网格,使用 Progressive meshes算法15作网格简化,并通过循环细分表面16作网格细化,从而达到表面平滑的效果;接着,利用曲面共形参数化和保角表示17捕捉曲面的几何特征;最后,使用表面流配准方法18将表面配准到一个共同的模板,从而在每个表面上得到15 000个带索引和形态学测量的顶点,这些顶点的位置与模板上的位置一一对应。以下详细介绍其中的共形参数化
22、、共形表示、流配准和形态学测量值计算。1.2.1表面共形参数化共形映射即保角映射,映射在一点共形是指映射后的相交曲线在该点的角度与方向保持,此处保角映射使得映射前后重建的海马表面的三角形面片内角不变。正式地说,设 S是三维空间 R3中的一个曲面,有图集 (U,z),其中U是属于 S 的开集,z是从开集U到复平面 C 的映射,(U,z)是定义在 S 上的坐标图,它在曲面块和平面片间引入共形参数。对任意图(U,z)图集 (U,z),如果z在 U上的映射zz-1:z(UU)z(UU)是全纯的,且导数处处为零,则称该图集是共形的。如果对共形图集添加某图后该图集仍共形,则图集与此图可兼容,不断将所有可能
23、与图集兼容的图添加入共形图集后即可得到共形结构。对于 S上的图(U,z),其局部参数(x,y)中的调和微分 1形式定义为=f(x,y)dx+g(x,y)dy(1)式中 f和 g为平滑函数,其共轭调和微分 1形式为*=-g(x,y)dx+f(x,y)dy(2)则其全纯 1形式为=+-1*(3)则表面 S上点 p的共形参数化即为(p)=(4)表 1被试的统计信息Table 1Statistical information of subjects变量样本量年龄(均值标准差)性别(男/女)MMSECDRHCnc2378.175.95911/1229.041.2240HCc2378.226.02211/
24、1228.651.4650p值0.9801.0000.331840张玲玉 等:基于多变量形态学特征的健康老年人认知发展预测算法式中 为 p到表面上某一固定点的任意路径。显然,是从 S到属于 R2的欧式平面的函数。1.2.2表面共形表示由 Gauss和 Codazzi方程易证,已知共形因子与平均曲率即可确定唯一的三维曲面 SR3,因此将其称为“曲面的共形表示”,其中,某顶点 p的共形因子为(p)=Area()B()pArea()()B()p(5)式中B(p)是以 p为圆心、以为半径的开球。以此为基础,平均曲率则定义为H=12sign()|(6)式中:sign()=|;N为表面法线。也就是说,仅当
25、计算取值为-1 或 1 的sign()时才需要借助表面法线,因此即使在表面法线不精确的情况下仍能获得准确的平均曲率。1.2.3表面流配准通过共形映射和共形表示,三维表面配准问题被转化为可以用互信息大小衡量配准质量的二维图像配准问题,图像配准过程可以视为从源图像I(0)流向目标图像I(1)的过程,在这里,是目标图像的共形表示I1流向映射后的模板图像的共形表示I2的过程,当I1和I2互信息最大时,目标图像被成功配准到模板。信息论中,随机变量 X的熵表示其不确定度,可表述为H(X)=-xp(x)log2 p()x(7)引入另一随机变量 Y后,X的条件熵定义为H(X|Y)=-x,yp(x,y)log2
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 多变 形态学 特征 健康 老年人 认知 发展 预测 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。