复数fMRI空间源相位分析及ICA-CNN分类方法研究

发布时间：2024-02-20 14:16

　　空间源相位是由数据驱动的盲源分离算法,如独立成分分析(independent component analysis,ICA),从复数功能磁共振成像(functional magnetic resonance imaging,fMRI)数据中提取到的空间激活图(spatial map,SM)的相位信息,具有极为突出的消噪能力。然而,空间源相位中蕴含的独特信息在识别病人与健康人的组差异及二者的单被试分类方面的研究尚属空白。为此,本文基于包括精神分裂症患者(schizophrenia,SZ)和健康对照(healthy control,HC)共82名被试的复数静息态fMRI(resting-state fMRI,rs-fMRI)数据,开展了以下新颖的研究工作:(1)针对空间源相位在识别组差异方面性能未知的问题,提出了基于体素级方差分析的空间差异识别方法和基于重采样的组差异验证方法。首先,根据空间源相位的变化性,构建了体素级SZ与HC空间源相位向量,结合方差齐性检验(F-test),生成了SZ-HC方差差异图。进而,定义了方差差异系数,以衡量和突显SZ-HC脑区空间差异。最后,设计了两种重采样方...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 fMRI相位研究现状
        1.2.2 fMRI在疾病分类任务中的应用
    1.3 主要研究工作及结构安排
2 功能磁共振成像信号及其分析方法
    2.1 复数fMRI介绍
        2.1.1 fMRI原理及采集
        2.1.2 本文数据及预处理
    2.2 ICA算法介绍
    2.3 感兴趣成分选择与识别
    2.4 空间源相位预处理
    2.5 best-run提取
    2.6 本章小结
3 基于体素级方差分析的组差异识别与验证
    3.1 引言
    3.2 基于体素级方差分析的组差异识别方法
    3.3 基于重采样的组差异验证方法
        3.3.1 bootstrap验证
        3.3.2 组内与组间差异验证
    3.4 实验结果与分析
        3.4.1 组差异识别结果
        3.4.2 bootstrap验证结果
        3.4.3 组内与组间差异验证结果
    3.5 本章小结
4 单成分ICA-CNN分类框架
    4.1 引言
    4.2 基于ICA的样本集构建
        4.2.1 ICA切片提取与预处理
        4.2.2 数据增广
    4.3 CNN网络构建
        4.3.1 网络结构
        4.3.2 决策方法
        4.3.3 评价指标
    4.4 实验结果与分析
        4.4.1 与相关方法结果对比
        4.4.2 复数fMRI与幅值fMRI分类结果对比
        4.4.3 数据增广影响分析
    4.5 本章小结
5 多成分ICA-CNN分类框架
    5.1 引言
    5.2 ICA后融合策略
    5.3 CNN后融合策略
        5.3.1 特征融合
        5.3.2 投票决策
    5.4 实验结果与分析
        5.4.1 ICA后融合结果
        5.4.2 CNN后特征融合结果
        5.4.3 CNN后投票决策结果
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3904269