基于多模态信息融合的脑网络研究及其应用

摘要

近年来，随着经济条件的增长，人们的生活压力也在增大，随之而来的就是各种精神疾病的发病率不断增高，这为整个社会的发展带来了影响，更为每个家庭增添了负担，因此，我们迫切需要得知这些疾病对于人类大脑造成的影响，并且要及时对疾病进行确诊和治疗。核磁共振技术的发展让脑网络分析越来越热，人工智能的发展也让精神疾病的诊断更为客观、准确，这让我们能够早日打开关于人类大脑的众多之谜。

本文基于抑郁症和自闭症的多模态核磁共振数据，利用多种磁共振分析方法进行大脑网络分析研究，根据数据的不同以及分析方法的不同，将本论文的工作主要分为三部分进行如下描述：

（1）利用形态学分析方法以及结构网络的拓扑分析方法，对抑郁症的磁共振数据进行处理分析，基于当前相关研究中不同方法产生的不同结论进行讨论分析，在利用形态学分析方法的研究中，本文发现抑郁症患者的脑灰质出现异常，并且发现抑郁症患者的楔前叶、中央后回等脑区灰质体积出现异常变化。通过构建结构网络并进行网络属性分析，结果发现抑郁症网络的小世界属性有所下降，而且局部网络中的属性也出现异常。另外在结构网络分析中首次提出了大脑网络脆性分析的方法，结果发现抑郁症患者在面对突发刺激时，更有可能出现网络崩溃的现象。

（2）基于自闭症患者的多模态数据，本文利用VBM分析方法发现自闭症患者的颞叶、额叶、中央前回等脑区的灰质体积出现显著异常。通过构建结构网络，对网络拓扑属性进行分析，结果发现自闭症患者的全局效率较之正常对照组出现增高的现象（p<0.05）。另外，本文对自闭症患者的功能磁共振数据分析了局部一致性和低频振幅的变化情况，结果发现自闭症患者的默认网络活动明显减弱。在对功能网络分析中，发现自闭症患者的节点属性出现异常，并且最后提出使用相关系数矩阵来分析大脑结构网络和功能网络的关系，结果发现自闭症形态学差异会导致功能网络出现紊乱，但功能网络中的异常在结构网络中所表现的并不明显。

（3）本文将机器学习分类模型和特征选择方法应用在精神疾病的诊断中，本文对抑郁症结构像进行诊断，准确率达到72.86%；提出使用嵌入式特征选择方法和PCA两种特征选择和降维的方法对自闭症数据做特征选择，并利用多种分类模型进行训练，逻辑回归和SVM分类准确率分别达到了82.32%和81.27%。

关键字：抑郁症，自闭症，复杂脑网络，分类

万方数据