基于功能连接和有效连接的抑郁症诊断方法研究

《基于功能连接和有效连接的抑郁症诊断方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于功能连接和有效连接的抑郁症诊断方法研究MultivariateClassificationofMajorDepressiveDisorderUsingtheEffectiveConnectivityandFunctionalConnectivity学科专业：模式识别与智能系统作者姓名：耿向飞指导教师：刘宝林教授天津大学计算机科学与技术学院2017年12月万方数据万方数据万方数据万方数据摘要重度抑郁症是一种严重的精神障碍，其显著的特征是有至少两周的持续性情绪低落。目前抑郁症的诊断主要依靠心理学量表和有经验的医生，还没有一种客观的检测指标可以用来诊断

2、抑郁症。静息态的功能磁共振成像技术能够以很高的空间分辨率成像，但是由于其具有噪声大、维度高、样本少的特点，目前还没有一种有效的方法可以处理这样的数据。本文以静息态磁共振成像的数据作为研究对象，探索重度抑郁症患者和健康被试相比有哪些显著的变化，以及利用这些显著变化作为诊断重度抑郁症标志的可行性。本文提出了一个利用功能连接和有效连接作为特征，数据驱动的抑郁症诊断方法。功能连接的分析使用了两个粒度不同的脑区划分模版，做了全脑功能连接分析，比较了两组被试在全脑功能连接方面的差异；有效连接的分析选取的四个重要的静息态脑网络，构建了所有可能的DCM模型并估计出了

3、每个静息态脑网络对应的最优的DCM模型。重度抑郁症患者和健康志愿者在有效连接方面的差异被展现出来。随后，功能连接分析的结果和有效连接分析的结果被用作分类器的特征。线性支持向量机、非线性支持向量机、最近邻和逻辑回归四种分类器被用来评估这些特征的有效性。研究结果表明，使用有效连接的分类效果最好，准确率可以达到91.67%。使用两个不同的脑区划分模版生成的全脑功能连接分类的结果相差不多，准确率达到了89.00%。通过分析分类器赋予特征的权重，我们发现具有高权重的功能连接主要位于几个重要的静息态脑网络附近，例如默认网络，凸显网络，注意力网络和额顶网络；具有高

4、权重的有效连接和功能连接有很大的重叠性，但是有效连接因为是在神经元水平的建模，并且含有方向信息，它明显比功能连接更有效。本文提出了一种可解释的抑郁症诊断方法，该方法不仅可以用来做疾病的诊断，还可以从结果中发现那些异常的特征，进一步研究这背后可能的认知机制。关键词：重度抑郁症，模式分类，功能连接，有效连接，动态因果模型I万方数据II万方数据ABSTRCTMajordepressivedisorder(MDD)isamentaldisordercharacterizedbyatleasttwoweeksoflowmoodwhichispresentacr

5、ossmostsituations.DiagnosisofMDDusingrest-statefunctionalmagneticresonanceimaging(fMRI)datafacesmanychallengesduetothehighdimensionality,smallsamples,noisyandindividualvariability.Toourbestknowledge,nostudiesaimatclassificationwitheffectiveconnectivityandfunctionalconnectivitym

6、easuresbetweenMDDpatientsandhealthycontrols.Inthisstudy,weperformedadata-drivingclassificationanalysisusingthewholebrainconnectivitymeasureswhichincludedthefunctionalconnectivityfromtwobraintemplatesandeffectiveconnectivitymeasurescreatedbythedefaultmodenetwork(DMN),dorsalatten

7、tionnetwork(DAN),frontal-parietalnetwork(FPN),andsilencenetwork(SN).EffectiveconnectivitymeasureswereextractedusingspectralDynamicCausalModelling(spDCM)andtransformedintoavectorialfeaturespace.LinearSupportVectorMachine(linearSVM),nonlinearSVM,k-NearestNeighbor(KNN)andLogisticR

8、egression(LR)wereusedastheclassifierstoidentifythediff