基于MRI影像和基因的遗传聚类神经网络挖掘研究.pdfVIP

哈尔滨工程大学硕士学位论文

摘要

阿尔茨海默症（AlzheimersDisease,AD）是一种患病几率随着年龄增长越来越高的神

经疾病，其运行机制较为复杂，与神经、基因系统的作用都有相关性。磁共振成像（Magnetic

resonanceimaging，MRI）这一技术的快速发展能够使得基于MRI的影像学数据大面积地

应用到AD的研究当中。基因学作为一个快速兴起发展的研究领域，尤其是与影像学数据

有着紧密的关联，即影像遗传组学在AD的探究过程中取得了较多的成果，为AD的治疗

与提前预防带来了新方法。对于AD的研究成果表明，其与基因具有高度的相关联性，对

脑区区域的深度探究可以为AD的提前预防提供科学严谨的解释和更多可能的新方法以及

研究思路。

本研究基于神经影像学、影像遗传学数据，利用遗传进化的聚类算法进行深入挖掘探

究，从更细微的角度研究AD和脑区关系的思路，提出了一个创新性的神经网络算法模型，

遗传聚类神经网络算法（GeneticallyClusteringRandomNeuralNetworkCluster，GCRNNC）

——一种全新的特征提取和分类方法。将遗传进化和聚类的思想引入，随机选择样本和样

本特征用来构建集群，并在遗传进化的流程当中逐渐淘汰掉无关特征和多余特征，通过在

整体范围内自动地寻找最优解来优化算法模型，达到不断提升算法分类准确度的目的，最

终达到较好的泛化能力。

本文基于遗传进化的神经网络对阿尔兹海默症患者、晚期轻度认知障碍症患者、早期

轻度认知障碍症患者和正常对照者进行研究。首先，对1267位研究者的静息态功能MRI

数据和基因组数据进行特征融合，构建融合特征。其次，构建遗传进化的神经网络模型，

对不同阶段的患者样本以及正常人进行分类和最优特征提取，并从中提取出能够区分患者

和正常人的最佳特征。最后，对所获得的最佳特征进行进一步地综合统计分析，找到致病

基因和致病脑区。与其他常用方法相比，基于该算法模型的分类以及特征提取框架得到了

更优的结果。最终表明，GCRNNC算法模型对尽早发现早期轻度认知障碍患者和晚期轻度

认知障碍患者的多因素发病机理是有帮助的，为AD的尽早诊断和积极治疗提供了一个新

的技术方法。

关键词：MRI影像；多模态；遗传聚类；融合特征；GCRNNC

摘要

Abstract

AlzheimersDisease,isaneurologicaldiseasewithincreasingincidencewithage,andits

operatingmechanismiscomplex,whichisrelatedtothefunctionsofnervoussystemandgenetic

system.WiththerapiddevelopmentofMagneticresonanceimaging(MRI),theimagingdata

basedonMRIcanbewidelyusedintheresearchofAD.Genetics,asarapidlydevelopingresearch

field,iscloselyrelatedtoimagingdata,thatis,imaginggenomicshasmademanyachievements

intheexplorationofAD,whichhasbroughtnewmethodsforthetreatmentandpreventionofAD.

TheresearchresultsofADshowthatitishighlycorrelatedwiththeamygdala,andthein-depth

studyoftheamygdalaregioncanprovideascientificandrigorousexplanationandmorepossi