文摘

阿尔茨海默病(AD)是老年痴呆的主要原因,导致严重的健康和社会经济问题。进行性神经退行性疾病,阿尔茨海默氏症引起大脑的结构变化,从而影响行为、认知、情感、和记忆。众多的多变量分析算法已被用于分类广告,区分它和健康对照组(HC)。有效的早期的分类广告和轻度认知障碍(MCI) HC必须早预防保健可以帮助减轻危险因素。磁共振成像(MRI)的生物标志物,显示的形态学差异和脑结构变化。一个新颖的方法来区分广告和HC使用dual-tree复小波变换(DTCWT),主要系数transaxial片的MRI图像,线性判别分析,提出了双子支持向量机。该方法的预测精度产生92.65±1.18在阿尔茨海默病的神经影像学(ADNI)数据集,特异性为92.19±1.56,93.11±1.29的敏感性,和96.68±1.44开放获取一系列的成像研究(OASIS)的数据集,灵敏度为97.72±2.34,95.61±1.67的特异性。的准确性、敏感性和特异性通过使用该方法获得的类似或优于各种常规广告的预测方法。

1。介绍

阿尔茨海默病(AD)是老年痴呆的最常见原因,患者由50% - -80%的痴呆症患者。这种疾病会影响记忆、认知、和行为。广告是一种神经退行性疾病,几种类型的萎缩发生在海马体和大脑的其他区域。尽管在美国第六大死因,这不是一个普遍的疾病。目前还没有治愈;然而,一些可以采取预防措施降低风险因素和缓慢退化的过程。估计全世界有6050亿美元和2200亿美元在美国每年花在诊断广告。许多人遭受全球广告,要求研究人员正在快速增长。核磁共振成像是一种有效的医学图像施工技术,它被证明可能视图结构变化在人类的大脑中,内部器官和其他组织。

核磁共振产生高质量的结构图像,提供独特的组织信息,增强大脑病理学诊断的准确性和治疗质量。这种技术的一个关键优势是其noninvasiveness。许多研究已进行了使用多变量分析算法和结构/功能磁共振成像对神经系统疾病进行分类1- - - - - -3]。这些研究的主要焦点是大维度的特征提取和识别疾病的签名其中最歧视的信息表示疾病的存在。结果显示显著的脑结构变化在一些大脑roi,尤其是海马和内嗅皮层(4]。全球和内部灰度特性,3,5),以及基于地表的特性(几何和6,7),用于分类疾病的早期研究。作者提出了脑电图(EEG)一致性研究阿尔茨海默病使用概率神经网络(并)和显示显著精度区分真正的广告和对照组(8]。Chaplot et al。9)分层广告使用离散小波系数作为特征进行训练和测试支持向量机(svm)和神经网络分类器。从核磁共振脑图像中提取歧视性的基本特点为主管分析疾病的诊断是必要的。首选的特征提取方法,在这些最常用,独立分量分析(10),小波变换(11),和傅里叶变换12]。本研究进行了再使用离散小波的特性和算法(事例)11)在一个人工神经网络(ANN) (11,13]。小张和小王14]跑广告使用位移场预测模型评估广告和健康对照组之间使用一个支持向量机,双子支持向量机(TWSVM)和广义特征值近端支持向量机作为分类器(GEPSVM)。可以喝,阿加瓦尔15)回顾了几种类型的双子支持向量机算法,最优化问题,他们的应用程序。

我们建议的方法中使用的生物标志物从阿尔茨海默病的神经影像学MRI图像(ADNI)和开放获取一系列的成像研究(绿洲)数据集。使用DTCWT DWT多我们的主要原因是它的有效表示奇点(曲线和线条),尽管DWT的优势代表函数的多尺度和压缩形式。在DTCWT级方差的变化可以实现更高的学位(16]。在我们的方法中,DTCWT系数广告分类提出了利用主成分分析和线性判别分析提取系数;TWSVM被用作管理技术。分类性能记录关于精度、灵敏度和特异性,应用10倍交叉验证和运行程序后10 - 20倍。我们的方法产生优越的结果与几种传统广告分类方法相比。

2。材料和方法

共有172名受试者使用ADNI数据集,分别是:公元86年和86 HC。此外,我们使用95例从绿洲dataset-44 HC和51科目患有轻微的广告非常温和。

2.1。实验数据的概述

本文的数据用于制备得到的阿尔茨海默病的神经影像学(ADNI)数据库(http://adni.loni.usc.edu)。

ADNI于2003年推出的公私合作伙伴关系由首席研究员迈克尔·w·维纳。ADNI的主要目标是测试是否连环MRI,正电子发射断层扫描术(PET),其他生物标记,可以结合临床和神经心理学评估衡量MCI和早发性老年痴呆症的发展广告。了解最新信息,请访问www.adni-info.org。ADNI的人口使用的细节数据如表所示1。

表1
总结主题的人口统计状况。

此外,我们利用核磁共振图像从绿洲下载数据集。绿洲是一个数据库设计编制核磁共振数据集,让他们自由地访问科学界。绿洲编译两种类型的数据:横断面MRI数据和纵向磁共振成像数据。我们的研究利用横断面MRI数据,作为我们的目标是开发一个自动系统检测广告,纵向的MRI数据不是最优。

绿洲数据集包含416例年龄在18岁到96岁。广告我们的研究包括51例(35与CDR CDR = 0.5和16 = 1)的100个痴呆和44 HC 98正常人。表2显示了人口的细节在我们的研究中使用的对象。包括男性和女性,所有科目都是右手。CDR是列在表的规模3。

表2
统计绿洲数据细节用于我们的学习。
表3
临床痴呆量表。
2.2。建议的方法

该方法是由4个阶段:预处理和切片提取,特征提取,到低维的投影特性,和疾病的有效分类。图1详细显示所有阶段。


图1
从HC流程图DTCWT-based分类性能的广告。
2.2.1。预处理和切片提取

所有核磁共振图像用于训练和测试的TSVM我们建议的方法是使用oni工具箱和导出为二维核磁共振图像片。所有图片是PNG格式的,和绿洲形象片的尺寸是176×208;ADNI形象片的尺寸是256×166。这些片的选择范围是手动执行组织中心的清晰的信息。图像的大小为256×256的进一步处理。大脑的样本图像片如图2。LibSVM工具箱用于内核支持向量机在MATLAB仿真。

(一)正常
(一)正常
(b)阿尔茨海默
(b)阿尔茨海默
图2
先生形象片样品预处理后(轴向片视图)。
2.2.2。Dual-Tree复小波变换

小波变换(WT)是一种最常用的特征提取技术,图像。我们建议的方法,我们提取DTCWT [16)系数从输入MRI图像。5日决议规模的特性被用作他们产生更高的分类性能相比其他分辨率的水平。DTCWT多分辨率表示,与类。对于有效的疾病分类,最好使用几中间尺度上提取的系数作为分类器的输入,作为最低分辨率尺度失去细节和高分辨率尺度都包含了很多噪音。因此,我们更愿意选择一些DTCWT中级尺度系数。这些系数被作为输入的主成分分析(PCA)。类可以表示成复数的扩展函数和复值小波。DTCWT从事两个真正的dwt,提供真实的和虚构的组件的小波变换,分别。此外,两种滤波器组类型设置:分析滤波器和合成滤波器。这些滤波器用于实现DTCWT确保整体转换成为几乎分析,如图3。


图3
三级DTCWT框图。

DTCWT可以用矩阵形式表示 在哪里 和 是矩形的矩阵。

对输入图像x、复杂的小波系数可以表示为 在哪里 是真正的组件和 虚部。

DTCWT系数输入图像移不变的;他们不改变当图像在时间和空间转移。此外,DTCWT采用隔离6不同方向(±30±15日,和±45)2 d图像和28个不同方向的3 d图像,虽然传统DWT只允许孤立的水平和垂直方向。对于每个2 d切片主题形象,我们提取的5级DTCWT系数从一个规模。

2.2.3。主成分分析

主成分分析(PCA) (17]是一种降维技术,应用于特征映射到低维空间。这个数据转换可能是线性的或非线性的。最常用的线性变换是PCA之一,这是一种正交变换用于转换可能相关样本线性不相关的变量。主成分的数量小于或等于原始变量的数量。PCA变换过程如图4。


图4
PCA实现功能降低。

PCA是总结如下:(我)计算数据的均值和零均值数据(2)构建协方差矩阵(3)获得特征值和特征向量(iv)预测的数据矩阵与最高到最低特征值对应的特征向量。

2.2.4。线性判别分析

一个广义Fisher线性判别18)是用于线性投影的特性分离两个或更多的类。有效和有识别力的投影特性,PCA系数可以投射在一个新的LDA投影轴。

找到类分离投影轴,有必要确定类间散点和在类的可变性。

类变量之间的矩阵可以由样本方差作为计价

类内方差矩阵可以表示为 在哪里 是k样本变量属于一个类。

广义瑞利系数 在哪里 是LDA系数矩阵。这可以使用广义特征值问题的特点 在哪里 是特征值。

如果 奇异矩阵,(6)可以简化为 的特征向量 将 。特征向量矩阵 ,

PCA系数可以投射到 低维LDA投影称为特征向量对应的非零更高的能量特征值, 在哪里 。

最后的特征矩阵 评估是

2.2.5。双子支持向量机

Jayadeva和钱德拉(19双子支持向量机)提出了一个新颖的双重hyperplane-based变体。广义特征值的概念,应用支持向量机(GEPSVM)近端,需要为每个类两个非平行最优超平面。有两个二次规划(QP)问题优化TSVM对,在一个典型的支持向量机。

在数学上,TSVM原始问题可以被解决以下两个二次规划优化问题:

在这里, 输入特性, 是正常的超平面向量, 是偏见, 是积极的点球的向量参数, 合适的维矩阵的, 松弛变量。因此,TSVM发现两个超平面,每一个都是接近一个类的数据样本比另一个。因此,减少(11)和(12)将迫使每个类的超平面近似数据,提高分类速度。可以解决优化问题的拉格朗日对偶原理(15]。

3所示。结果和讨论

3.1。背景

在本文中,我们建议的方法提出了用费舍尔DTCWT主成分的线性判别分析。我们建议的方法的细节图所示1。WT /英国《金融时报》的优点是其多尺度表征和频率成分与空间域的信息。傅里叶系数只产生图像频率的信息,而小波包含强大的观测空间和频域多尺度格式。此外,小波表示空间本地化;傅里叶函数并不像他们只包含图像的空间局部频率成分。MRI图像可以在众多的决议表示和处理,因此可以作为一个敏锐的框架,用于处理多分辨率图像。最后,DWT系数可以通过使用数组中提取的高低通滤波器银行。

然而,传统的小波变换有很多缺点。这些包括漂移在小波系数奇异点周围振荡对积极和消极,转变的方差信号(可能引起振荡奇异点周围的小波系数样本),大量的混叠充分间隔的小波系数模式,以及缺乏方向选择性扰乱过程和模型几何图像特征(如边缘和山脊)。在这些情况下,缺陷对传统DWT没有经历过傅里叶变换。灵感来源于傅里叶变换,我们改进DTCWT用于克服这些缺点。以前的研究已经表明DTCWT特点广告疾病检测执行比典型DWT-based特征提取(20.]。此外,DTCWT产生优越的奇异点的线和曲线表示。因此,可以提取相对区别的功能,对任何模式分类问题是至关重要的。

误分类率和更高的维度的特性有关模式分类存在的问题。光滑的分类,降维技术是用来转换数据从高到低维空间。PCA是最经常应用线性变换和解决这些问题。使用PCA减少特征提取的特征进行了分析。对于每一个MRI图像从绿洲和ADNI数据集,有49152(1536×32)特性。应用主成分分析后,这是减少到95×94绿洲ADNI数据数据和172×171。

主成分分析后,分类可能仍然不够,PCA不占可变性特征在一个类或类之间。确保电脑更可分的,需要转换数据到另一个空间相结合的方向,会发现轴,从而最大化不同阶层之间的差距。因此,LDA用于电脑投射到更有效的疾病分类的新投影轴。

TSVM是一种新兴的高效模式分类和回归算法在机器学习。众多研究表明,TSVM非常有效的分类、回归性能和时间复杂度(19,21- - - - - -23]。因此,我们应用TSVM使用线性判别DTCWT主成分作为输入功能。

所有程序执行在MATLAB上安装2015 b英特尔(R) (TM) i3 - 4160 CPU系统核心。的时间复杂度提取DTCWT和DWT系数的二维核磁共振图像片是0.5148和0.5109,分别。比较没有显著差异CPU-elapsed时候变换方法。降维技术,我们使用PCA省略高维输入功能。

此外,这不是可行的训练和测试与高维特征分类器由于运行时间。CPU-elapsed时间达到TSVM分类性能没有减少尺寸大约是88.40秒。该方法所需的时间为我们大约是15.74 seconds-faster比不采用fisher判别分析的方法。

3.2。绩效评估

二元分类器的性能可以被可视化使用混淆矩阵,如表所示4。例子的数量正确预测的分类器位于对角线上。这些可能是分为真阳性(TP),代表正确识别病人,和真正的底片(TN),代表正确识别控制。例子的数量错误的分层分类器可以分为假阳性(FP),代表控制错误归类为病人,和假阴性(FN),代表患者错误地分类为控制。

表4
混淆矩阵的二元分类器区分两类(S1和S2)。

精度是决定测量正确标签的例子的比例分类器:

这可能不是一个理想的性能指标如果类数据集的分布是不平衡的。

例如,如果类 远远大于 ,高精度值可以通过分类器标签所有例子属于类 。灵敏度的速度真阳性(TP)和特异性的速度是真的底片(TN)。敏感性和特异性被定义为

敏感性措施正确识别病人的比例,和特异性措施正确确定的比例控制。此外,其他一些常用的统计性能评估等措施 , , , 也计算。

这些措施被定义为

前面的措施可能会提供一个有效的分类器整体性能评估。

3.3。分类的性能

在这项研究中,提出的混合方法用于绿洲和ADNI数据区分对照组与广告主题。对于精度(acc)记录的分类性能,灵敏度(sens)和特异性(规范)条形图所示5并在图6。性能变化根据主成分用于训练和测试,如图7ADNI数据。与不同的PC值对数据集测试后,得出最优分类性能是实现与PC = 20。运行一个严格的统计分析,分层交叉验证(SCV)。我们有5倍的简历适用于绿洲ADNI数据数据和10倍的简历,绿洲的受试者的数量数据集是低于ADNI数据集。5倍的简历将数据集划分为五个折叠,而10倍的简历将数据集划分为十倍。


图5
条形图的DTCWT-based广告从HC / ADNI数据集的分类性能。

图6
条形图的DTCWT-based广告从HC /绿洲数据集的分类性能。

图7
主成分的数量和分类方法的性能图。

精度、敏感性、特异性和其他统计性能措施获得10 - 20 SCV的10倍和5倍SCV如表所示5和6,分别。

表5
绩效评估在ADNI数据集。
表6
绩效评估数据集在绿洲。

虽然与传统的方法相比可以是困难的,我们已经将我们的方法与最近的一些传统的疾病检测算法使用数据集。

ADNI数据集分析性能,分类表现记录与run-wise fold-wise分类,如表所示7和8。表8显示了分类性能,不使用线性判别分析。个别行和列代表相应的运行和折叠的分类精度。因此,准确计算平均的折叠和运行。分类性能在所有10到5折的每次运行进行分析。

表7
运行,fold-wise ADNI数据集提出方法的分类性能。
表8
运行,fold-wise分类性能的DTCWT + PCA + TSVM ADNI数据集的方法。

我们最近使用的几套算法和方法相比(11,13,24),本文中使用相同的数据集。我们已经获得了92.65±1.18%的精度,优于DWT-based方法提出El-Dahshan et al。11和Zhang et al .,13如表所示9和图5。该方法也应用传统DWT系数主要执行。我们已经看到DTCWT-based方法优于DWT-based方法。此外,性能记录没有使用LDA对两种类型的特性。然而,分类性能已成为当LDA-projected特性被认为是更有效,如表所示5和9和图5。我们的方法有别于体积Schmitter等人提出的基于功能的研究。24),它优于结果,如图5。此外,我们的结果与内核基于svm的分类和性能优越。

表9
分类广告从HC / ADNI数据的性能。

同样,来分析和分层绿洲数据集,使用相同的方法,即run-wise和fold-wise分类,如表中所示10和11。

表10
运行,fold-wise绿洲数据集分类性能的方法。
表11
运行,fold-wise分类性能的DTCWT + PCA + TSVM方法在绿洲的数据集。

我们观察到,如表所示6和12和图6,我们的方法产生一个精度96.68±1.44,97.72±2.34的敏感性,特异性为95.61±1.67。这种分类性能也被记录了不使用LDA;然而,结果改善应用LDA在主体dual-tree复杂的小波变换系数或主体DWT系数和TSVM作为分类器。结果是有效使用DTCWT主要系数时在DWT方法。

表12
在绿洲MRI数据算法性能比较。

为了进一步验证该方法的有效性,我们比较它与12个最先进的方法,如表所示12,利用不同的统计设置。

结果表明,美国+ SVD-PCA + SVM-DT [25)取得了90%的精度,灵敏度为94%,特异性为71%;BRC +搞笑+支持向量机(26)实现了90.00%的精度,灵敏度为96.88%,特异性为77.78%;和曲波+ PCA +资讯27)获得分层精度为89.47%,敏感性为94.12%,特异性为84.09%。我们发现这些方法特异性较低相对于前面提到的其他方法。相比之下,BRC +搞笑+贝叶斯(26)取得了更高的特异性。

同样,BRC +搞笑+ VFI [26)产生了分类精度为78%,敏感性为65.63%,特异性为100%。虽然取得了高特异性、准确性和灵敏度产生了通过该算法是比较差的。

所有其他方法取得了令人满意的结果。VBM +射频(28)获得89.0±0.7%的精度,灵敏度为87.9±1.2%,特异性为90.0±1.1。这些承诺的结果很大程度上是由于分布形态测量学(VBM)。

DF + PCA +支持向量机(14)取得了88.27±1.89%的精度,灵敏度为84.93±1.21%,特异性为89.21±1.63%。这种方法是基于一个新颖的方法称为位移场(DF)。

EB + WTT +方法+ RBF (29日]86.71±1.93%的精度,获得85.71±1.91%,灵敏度和特异性为86.99±2.30%;然而,EB + WTT +方法+波尔(29日)收益率更好的分类性能。

此外,米高梅+压电陶瓷+支持向量机(30.),GEODAN + BD +支持向量机(30.],TJM + WTT +支持向量机(30.)实现约92%的准确率与类似的高灵敏度和精度;特异性没有计算这些方法。

最后,考虑到分类性能,我们的方法优于其他方法分析。我们也取得了可喜的性能指标的敏感性和特异性。因此,我们认为结果是上级或与其他方法相比。

4所示。结论

我们建议的实验用LDA DTCWT系数的主要组件和TSVM分层广告。我们建议的检测方法为ADNI数据集产生92.65±1.18%的精度高的敏感性和特异性。我们建议的方法也优于那些Zhang et al。13)和El-Dahshan et al。11)和容积Schmitter提出的基于特征分类等。24]。此外,我们提出了绿洲实验数据的分类性能表现更好与指定的一些先进的方法相比在这个债券收益率达到的精度96.68±1.44同样高的敏感性和特异性。

在未来,我们将发扬我们的研究集中在以下几点:(i) 3 d DTCWT-based特征提取和多分辨率分析和分类(2)卷积神经网络(CNN)——根据分类使用3 d核磁共振。

附加分

数据访问。本文的数据用于补偿得到的阿尔茨海默病的神经影像学(ADNI)数据库(http://adni.loni.usc.edu)。一个完整的清单ADNI调查人员可以找到的https://adni.loni.usc.edu/wp-content/uploads/how_to_apply/ADNI_Acknowledgement_List.pdf。

信息披露

调查人员在ADNI导致的设计和实现ADNI和/或提供数据,但没有参与的分析或写这份报告。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了大脑研究项目通过韩国国家研究基金会资助的科学,ICT和未来规划(nrf - 2014 m3c7a1046050)。和本研究从朝鲜大学研究基金的支持下,2017年。数据收集和分享这个项目由阿尔茨海默病的神经影像学(ADNI)(美国国立卫生研究院的资助。U01 AG024904)和国防部ADNI(国防部奖。w81xwh - 12 - 2 - 0012)。ADNI是由美国国家老龄问题研究所资助,国家生物医学成像和生物工程研究所和慷慨的贡献如下:AbbVie,阿尔茨海默氏症协会;阿尔茨海默病药物发现的基础;Araclon生物技术;BioClinica Inc .);生原体; Bristol-Myers Squibb Company; CereSpir Inc.; Cogstate; Eisai Inc.; Elan Pharmaceuticals Inc.; Eli Lilly and Company; EuroImmun; F. Hoffmann-La Roche Ltd. and its affiliated company Genentech Inc.; Fujirebio; GE Healthcare; IXICO Ltd.; Janssen Alzheimer Immunotherapy Research & Development LLC; Johnson & Johnson Pharmaceutical Research & Development LLC; Lumosity; Lundbeck; Merck & Co. Inc.; Meso Scale Diagnostics LLC; NeuroRx Research; Neurotrack Technologies; Novartis Pharmaceuticals Corporation; Pfizer Inc.; Piramal Imaging; Servier; Takeda Pharmaceutical Company; and Transition Therapeutics. The Canadian Institutes of Health Research provide funds to support ADNI clinical sites in Canada. Private sector contributions are facilitated by the Foundation for the National Institutes of Health (http://www.fnih.org/)。授权者组织是加州北部研究和教育研究所和阿尔茨海默病治疗的研究是协调在南加州大学的研究所。