[毕业设计]基于核磁共振成像的儿童多动症分析 答辩

TONGJI UNIVERSITY 1907 2014 基于核磁共振成像的基于核磁共振成像的儿童多动症分析儿童多动症分析答 辩 人：专 业：信息安全 学 号：指导老师：毕业设计工作成果毕业设计工作成果n理论研究一篇论文（计算机工程，已送审）n实验研究基于卷积神经网络的ADHD判别分析频段特征对判病的影响提纲提纲一、研究意义二、相关理论概述三、基于卷积神经网络的判别分析四、频段特征对判别影响的创新实验五、下阶段工作TONGJI UNIVERSITY 1907 2014 一、研究意义n注意缺陷多动障碍症是一种常见的精神失调状况。全球流行率为5.29%。长期未愈可造成患者成人后教育水平低、反社会障碍和药物滥用等不良后果。n临床判别主要通过测量表、医生经验，因此过于主观。n通过对ADHD的fMRI数据进行认知计算从而为ADHD的诊断提供生物学标志是进行ADHD研究的一个炙手可热的方面。儿童多动症的研究意义儿童多动症的研究意义图：ADHD全球青少年患病率TONGJI UNIVERSITY 1907 2014 二、相关理论概述小波理论小波理论nADHD患者相较于正常人而言，在静息态状态下某些脑区激活点仍存在异常活跃现象。结合ADHD数据的特点，相比fMRI图像的脑体素像素信息，我们关注的是对描述脑部活动更有意义的频率信息。图：小波包3尺度分解生成树示意图n因此我们利用拥有数学上的“显微镜”的小波理论对数据进行从时域数据映射到频域上的转换。n小波包变换不仅能对数据进行低频部分多尺度，同时能对高频部分进行分割。主要算法主要算法PCAPCA、ICAICA、SVMSVMn主成分分析法：特征不相关n独立成分分析法：特征相互独立n支持向量机：通过向高维空间映射达到对数据的线性分割深度学习深度学习n深度学习模型特点n深层的神经网络模型具有强大的抽象特征能力，通过深层网络模型学习而来的特征对原始数据具有更好的代表性图2.2：用于手写体字符识别的卷积神经网络结构示意图刘建伟，刘媛，罗雄麟，等.深度学习研究进展J.计算机应用研究,2014,31(7):1921-1930,1942.n卷积神经网络n多个单层卷积网络堆叠起来的有监督学习神经网络n局部感受野、权重共享技术来使训练规模减少TONGJI UNIVERSITY 1907 2014 三、基于卷积神经网络的ADHD判别分析实验概述实验概述n已有的文献并未涉及到将卷积神经网络引入到ADHD判别。n实验：1.卷积神经网络模型可行性探索训练次数对正确率的影响2.浅层学习与深度学习效果比较PCA、FastICA、CNN的比较实验数据来源与实验数据来源与ADHD-200ADHD-200竞赛结果竞赛结果n实验数据来自ADHD-200数据库。n在2011年ADHD-200的竞赛中，所有队伍三类分类（正常、ADHD-i、ADHD-c）平均正确率为49.52%（正确率介于35.19%和65.37%之间）。n当不考虑ADHD各亚型时，对照组与ADHD的二类分类平均正确率为56.02%（正确率介于43.08%和61.54%之间）。判别分析实验数据判别分析实验数据n本实验采用NYU数据集，其中ADHD诊断标签在训练集的分布情况为正常组和患病组分别占45.37%（98人）、54.62%（118人）。测试集诊断标签分布情况为正常组29.26%（12人）、患病组70.73%（29人）。正常ADHD患者总计训练所用数据98118216测试所用数据122941表：实验数据（单位：人）核磁共振成像数据处理核磁共振成像数据处理n将V(x,y,z)T数据分别映射到对应的Brodmann分区形成VareaT的数据nBrodmann分区映射方法不仅减小了数据量，而且可以有针对性地选择与ADHD有关的功能区的数据图：Brodmann分区示意图图：NYU训练集存储结构示意图评判标准评判标准评判标准为准确度（Accuracy）。准确度是指整个系统在运行完整个数据集之后，判断正确的比率：本实验中三种算法的正确率将相互进行比较，并与ADHD-200竞赛的平均二类正确率进行比较。浅层学习（浅层学习（PCA-SVMPCA-SVM、FastICA-SVMFastICA-SVM）流程图）流程图PCA/FastICAPCA/FastICA小波包变换小波包变换SVM图3.3浅层学习流程图深度学习深度学习(CNNs)(CNNs)实验流程图实验流程图图3.4深度学习流程图实验视频实验视频n预处理小波包变换nPCA-SVMnFastICA-SVMn深度学习CNNs实验结果实验结果训练次数对正确率的影响图3.5卷积神经网络训练次数对正确率影响n过拟合！实验结果实验结果深度学习与浅层学习判病效果比较n实验结果均好于ADHD-200竞赛中的两类分类平均结果56.02%nCNNs学习结果好于经典算法图3.6卷积神经网络与经典算法比较TONGJI UNIVERSITY 1907 2014 四、频率特征对ADHD判别的影响概述概述n创新性实验，为了寻找判病的生物标记n使用小波包变换对频率信号进行分割，通过不同频段特征对注意缺陷多动障碍症的判别效果来找出适合该病判别的频段，继而可以在今后的研究中对该频段做详尽分析。n实验：1.48个脑区平均正确率2.基于脑体素选择的正确率实验数据实验数据频段分割频段分割类别KKI数据集NYU数据集低频低频0,0.050,0.0625(0.05,0.10(0.0625,0.125高频(0.10,0.15(0.125,0.1875(0.15,0.20(0.1875,0.25高频低频(0.20,0.25(0.25,0.3125(0.25,0.30(0.3125,0.375高频(0.30,0.35(0.375,0.4375(0.35,0.40(0.4375,0.5表：频段分割（单位：Hz）n频率的定义是单位时间内完成周期性变化的次数，是描述周期运动频繁程度的量。在NYU数据采集中采样间隔TR=2000ms，KKI数据采集中TR=2500ms。NYU数据集为，KKI数据集为。实验数据实验数据数据集正常患病KKI训练集6122KKI测试集83NYU训练集98118NYU测试集1229表：实验数据集（单位：人）实验概述实验概述基于脑素选择的正确率基于脑素选择的正确率n原始数据处理将所有的体素进行拼接得到规模n计算体素方差对每一个体素进行方差计算，以求得区分度最大的体素位置n选择数据取方差前9002000，跨度为100的体素，共12组实验结果实验结果4848个脑区平均正确率个脑区平均正确率n高频中的高频特征在对ADHD判病分类中表现最佳。n对频段进行分组，每组中同样为高频部分表现较好。实验结果实验结果基于脑体素选择的正确率基于脑体素选择的正确率n本实验中，多数为高频部分表现突出，尤其是最高频(0.4375,0.5Hz，12组比较中有8组表现为分类第一。TONGJI UNIVERSITY 1907 2014 五、下阶段工作下阶段工作下阶段工作n对频段作进一步探索n优化卷积神经网络模型n尝试对不同数据集进行融合从而形成较大规模的平衡训练数据n引入新的评判标准TONGJI UNIVERSITY 1907 2014 谢谢！