楊寧，徐盼盼，劉佩嘉，李淑龍

(1. 南方醫(yī)科大學生物醫(yī)學工程學院//廣東省醫(yī)學圖像處理重點實驗室，廣東 廣州 510515； 2. 華南理工大學數(shù)學學院，廣東 廣州 510641)

基于張量法的阿爾茲海默癥腦圖像分類*

楊寧1，徐盼盼1，劉佩嘉2，李淑龍1

(1. 南方醫(yī)科大學生物醫(yī)學工程學院//廣東省醫(yī)學圖像處理重點實驗室，廣東 廣州 510515； 2. 華南理工大學數(shù)學學院，廣東 廣州 510641)

為了識別阿爾茲海默癥(Alzheimer’s Disease，AD)與輕度認知障礙(Mild Cognitive Impairment，MCI)患者，提出了一種基于三階張量方法的以MRI圖像腦灰質(zhì)灰度為特征的分類方法。采集了70例AD患者，112例MCI患者(包含在隨訪中轉(zhuǎn)化為AD的，MCI-C:MCI Converters與未轉(zhuǎn)化為AD的，MCI-NC:MCI Non-converters各56例)，以及70例正常人(NC)的MRI腦圖像，提取腦灰質(zhì)各體素的灰度，獲得三階灰度張量。采用基于張量的獨立成分分析，以取得三階灰度張量的獨立成分；為了降低特征維數(shù)，利用支持張量機，將張量特征轉(zhuǎn)化為向量特征，再利用遞歸特征消除法獲取有效的主要特征。最后，對四組人群進行分類：AD-NC, MCI-NC, AD-MCI, MCI-C-MCI-NC，此分類模型采用7折交叉驗證的方法進行訓練測試。此外，還結合樣本的基本信息與認知分數(shù)進行分類，證明了基本信息、認知分數(shù)和腦灰質(zhì)灰度提供了互補的信息，有助于提升分類效果。結果表明，該方法擁有優(yōu)良的分類性能，有助于對AD與MCI的診斷治療。

阿爾茲海默癥；輕度認知障礙；張量；認知分數(shù)；獨立成分分析；支持張量機；遞歸特征消除

阿爾茲海默癥(AD)是一種起病隱匿的進行性發(fā)展的神經(jīng)系統(tǒng)退行性疾病，其多發(fā)于65歲以上的人群。2015年，全球癡呆患者人數(shù)已達4680萬人，其中50%-75%為阿爾茲海默癥患者。目前在中國，阿爾茲海默癥患者人數(shù)已居世界第一，同時也是全球增速最快的國家之一。然而，阿爾茲海默癥的診療率卻與發(fā)病情況呈強烈反差，全球阿爾茲海默癥及其它類型癡呆患者中，僅有22%接受過診斷。在中國這個比例更低，有49%的病例被誤認為是自然老化，僅21%的患者得到了規(guī)范診斷，僅19.6%接受了藥物治療。因此，正確診斷阿爾茲海默癥，尤其是正確診斷其早期階段的輕度認知障礙(MCI)，對阿爾茲海默癥的早期發(fā)現(xiàn)與治療至關重要。

Fisher 判別分析(FDA)、改進的線性判別分析(MLDA)、支持向量機，K-近鄰法(KNN)等智能分類方法均可用于阿爾茲海默癥的分類。Dai等[1]運用了改進的線性判別分類的方法，解決了在小樣本大特征維數(shù)空間中類內(nèi)散度矩陣奇異的問題，其AD-NC分類準確率達89.47%。支持向量機是目前比較常用的分類方法，其基本思想為結構風險最小化準則，旨在尋找一個超平面，使得離超平面最近的樣本點有更大的間距。黃文強等[2]建立了一種變量可分離的支持向量分類模型，其算法優(yōu)于傳統(tǒng)的支持向量機。Liu等[3]提出了基于高階圖形匹配特征選擇的阿爾茲海默癥的識別，采用支持向量機作分類器，其AD-NC分類準確率達92.17%。Willette等[4]結合多種數(shù)據(jù)，利用判別分類分析對獨立成分特征進行分類，其AD-NC分類準確率達94.8%。陳振洲等[5]提出了基于SVM的特征加權K-近鄰算法，其利用支持向量機來確定特征的權重，以分析特征對分類的相關性的強弱，大大提升了分類的準確率。

然而，目前有關基于腦圖像的阿爾茲海默癥的分類研究常用的方法是把高階數(shù)據(jù)直接向量化，這會破壞高階數(shù)據(jù)本身的空間結構信息與內(nèi)在相關性；此外，長度極大的向量會導致小樣本事件與維數(shù)災難，從而降低機器學習方法的性能。所以，本文提出了基于三階張量方法的阿爾茲海默癥診斷方法，直接以MRI腦圖像的灰質(zhì)灰度構建三階張量，以此三階張量為特征，利用張量的運算方法進行研究分析。這不但能更好地保持高階數(shù)據(jù)的空間結構信息與內(nèi)在相關性，也能更好地避免小樣本事件與維數(shù)災難。

根據(jù)磁共振成像原理，體素的灰度會受到周圍體素的影響而不能真實反映該體素真正的灰度值，我們采用獨立成分分析法，提取出每個體素的獨立成分(灰度值)形成新的三階灰度張量?？紤]到，三階灰度張量特征信息會有冗余，并且每一模的維度較高，會影響學習效率，我們采用遞歸特征消除法并結合支持張量機對新三階張量每一模進行特征選擇并向量化。最后我們采用支持向量機進行分類。

此外，本文還結合樣本的基本信息與認知分數(shù)進行分類，證明了基本信息、認知分數(shù)與MRI腦灰質(zhì)圖像的三階灰度張量特征具有很好的互補作用，其對于診斷阿爾茲海默癥或輕度認知障礙有著非常好的效果。

1 材料與圖像預處理

本文所用數(shù)據(jù)來自于阿爾茲海默癥神經(jīng)圖像組織(ADNI)數(shù)據(jù)庫www.adni.loni.usc.edu。ADNI由美國國立衛(wèi)生研究院衰老研究所(NIA)，美國國家生物醫(yī)學成像與生物工程研究所(NIBIB)，美國食品藥物監(jiān)督管理局(FDA)等機構在2003年發(fā)起，其旨在采集分析AD、MCI、NC人群各類腦圖像，研究AD、MCI等疾病，以便有效地防止或延遲AD的發(fā)生。

1.1 樣本數(shù)據(jù)

所有研究對象的年齡介于55～90歲之間，有良好的視力與聽力完成神經(jīng)心理學的測試；一般健康狀況良好；有六等級教育經(jīng)歷或良好的工作經(jīng)歷(排除智力低下)；缺血指數(shù)量表評分小于或等于4；老年抑郁量表小于6。

對于正常人群(NC)，其滿足的條件與標準有：韋氏記憶量表(Wechsler Memory Scale)評分正常；簡易精神狀態(tài)檢查表(Mini-Mental State Exam, MMSE)分數(shù)介于24～30之間；臨床癡呆評定量表(Clinical Dementia Rating, CDR)分數(shù)為0；記憶評分(Memory Box score)為0；認知正常，沒有認知功能或日常生活的障礙。

對于輕度認知障礙人群(MCI)，其滿足的條件與標準有：韋氏記憶量表(Wechsler Memory Scale)評分不正常；簡易精神狀態(tài)檢查表(Mini-Mental State Exam, MMSE)分數(shù)介于24～30之間；臨床癡呆評定量表(Clinical Dementia Rating, CDR)分數(shù)為0.5；記憶評分(Memory Box score)大于或等于0.5；一般的認知功能表現(xiàn)正常，以至于醫(yī)生不能將其確診為阿爾茲海默癥；沒有癡呆表現(xiàn)；保留日常生活的能力。

對于阿爾茲海默癥人群(AD)，其滿足的條件與標準有：韋氏記憶量表(Wechsler Memory Scale)評分不正常；簡易精神狀態(tài)檢查表(Mini-Mental State Exam, MMSE)分數(shù)介于20～26之間；臨床癡呆評定量表(Clinical Dementia Rating, CDR)分數(shù)為0.5或1.0；認知不正常，符合阿爾茲海默癥的評定標準。

本文所使用的數(shù)據(jù)為MRI腦圖像及相應的基本信息、認知分數(shù)，其中包括AD，NC人群各70例，MCI人群112例(MCI-C與MCI-NC各56例)，總共252例樣本數(shù)據(jù)，所有樣本對象均知情同意。其詳細的樣本信息見表1。

1.2 預處理

本文所用的T1加權MRI腦圖像由ADNI數(shù)據(jù)庫提供，全部圖像為研究對象首次采集的基準圖像，且都經(jīng)過了特定的圖像預處理：圖像幾何失真校正與圖像強度非均勻性校正。采用SPM8(www.fil.ion.ucl.ac.uk/spm/software/spm8)軟件中的VBM8工具箱[6]，將預處理過的圖像分割為灰質(zhì)、白質(zhì)與腦脊液，提取分割后腦灰質(zhì)各體素的灰度值，形成三階灰度張量特征數(shù)據(jù)。

表1 研究對象信息Table 1 The information of research subjects

2 方法與實驗

首先，我們通過SPM8軟件分割MRI腦圖像，提取分割后腦灰質(zhì)各體素的灰度值，形成三階張量并以此張量為特征。其次，對三階的灰度張量特征采用基于張量的獨立成分分析提取其獨立成分，形成新的三階張量特征。接著，利用遞歸特征消除法并結合支持張量機對新三階張量特征進行特征選擇并向量化，形成降維了的向量特征。最后，采用支持向量機進行分類。

2.1 張量概念與運算

2.1.1 張量概念 張量是向量與矩陣的高階推廣，一階張量是向量，二階張量是矩陣，三階或三階以上的張量就是高階張量。一個N階張量，可以把它記為X∈RL1×L2×…×LN，其中Li≥1，張量中的元素可以記為：xl1,l2,…,lN,1≤li≤Li,1≤i≤N。

2.1.2 張量的模-n纖 張量的模-n纖定義為僅僅改變第n模索引值而固定其它模索引值的過程。對于三階張量，其有行纖(模-1纖)、列纖(模-2纖)和管纖(模-3纖)(圖1)，分別表示為x:jk,xi:k,xij:，如圖1所示。

2.1.3 張量的模-n展開 張量的模-n展開是把張量排成模-n纖，再把各個纖按照順序排成矩陣的列，從而形成矩陣的過程。如果一個N階張量，經(jīng)過模-n展開，其在(l1,l2,…,ln,…,lN)上的元

圖1 三階張量的模-1纖，模-2纖，模-3纖Fig.1 The third-order tensor of the mode -1 fiber, mode -2 fiber, mode -3 fiber

素對應于展開后的矩陣的(ln,l)位置上，其中[7]，

(1)

例如，三階張量X=(xl1l2l3)L1×L2×L3∈RL1×L2×L3按模-2展開成矩陣Y=(yl2l)L2×L1L3∈RL2×L1L3，其中

l=(l3-1)L1+l1

(2)

2.1.4 張量n-模乘法 一個n階張量X∈RL1×L2×…×LN，與一個矩陣Y∈RJ×Ln的n-模乘法，其所得張量為：

Z∈L1×L2×…×Ln-1×J×Ln+1×…×LN

其中，Z中的元素表示為：

(3)

特別地，一個n階張量X∈RL1×L2×…×LN，與一個向量y∈R1×Ln的n-模乘法，其所得張量為Z∈L1×L2×…×Ln-1×1×Ln+1×…×LN，張量從n階降至n-1階。

2.2 基于張量的獨立成分分析

獨立成分分析(Independent Component Analysis, ICA)是一種提取數(shù)據(jù)中相互獨立成分的方法。該方法的目的是將觀察到的數(shù)據(jù)進行某種線性分解，使其分解成統(tǒng)計獨立的成分。

獨立成分分析可矩陣表示為X=AS,其中A是一個混合方陣。ICA算法根據(jù)X找到W,從而求得獨立成分S=WX。根據(jù)中心極限定理，獨立隨機變量的和在一定條件下趨近于高斯分布。即獨立隨機變量的和比原獨立隨機變量更接近高斯分布。所以，可以認為越具有高斯性，其獨立性越差，反之，非高斯性越強，獨立性越強。本文采用最大化負熵的方法，尋找樣本數(shù)據(jù)非高斯性最大的成分。當非高斯性度量達到最大時，則表明已完成各獨立成分的分離。

(4)

再把S1按模-1合成n1×n2×n3的三階張量，仍然記為S1。接著對S1按模-2展開成矩陣Y2∈Rn2×n1n3，重復以上的步驟求得W2∈Rn2×n2，使得

S2=S1×2W2=W2Y2∈Rn2×n1n3

(5)

再把S2按模-2合成n1×n2×n3的三階張量，仍然記為S2。最后對S2按模-3展開成矩陣Y3∈Rn3×n1n2，重復以上的步驟求得W3∈Rn3×n3，使得

S3=S2×3W3=W3Y3∈Rn3×n1n2

(6)

(7)

而對于任意一個樣本X(包括訓練樣本和測試樣本)，其提取獨立成分后的結果為

S=X×1W1×2W2×3W3

(8)

2.3 支持張量機

支持張量機(SupportTensorMachine,STM)是支持向量機的高階推廣，其保留了支持向量機結構風險最小化準則的基本思想，同樣，旨在尋找一個超平面，使得離超平面最近的高階張量樣本點有更大的間距。

對于任意一個樣本張量X∈Rn1×n2×n3,可得其獨立成分的三階樣本張量S∈Rn1×n2×n3，所構造的分類函數(shù)為：

(9)

i=1,2,…,n,ζi≥0

(10)

為了使結構風險(誤分次數(shù))達到最小，并允許少數(shù)離群點存在，得到如下優(yōu)化問題：

ζi≥0,i=1,2,…,n

(11)

對于優(yōu)化問題(11)，我們通過迭代法求解，其步驟為：

步驟1：初始化w1,w2,w3為全為1的向量。

ζi≥0,i=1,2,…,n

(12)

這就轉(zhuǎn)化為支持向量機的分類模型，運用拉格朗日對偶的方法即可求解出新的w1,b，并更新w1。

步驟5：重復步驟2-4直至w1,w2,w3，b變化很小。

從上面的迭代步驟可以看出支持張量機實際上是3個支持向量機的迭代過程，其直接將三階張量數(shù)據(jù)作為分類模型的輸入，從而保持了三階張量原來的結構信息與內(nèi)在相關性[8]。

2.4 遞歸特征消除法

遞歸特征消除(Recursivefeatureelimination,RFE)是一種逐步消除對分類不起作用或作用很小的特征的特征降維(特征選擇)方法[9]。類似于陳振洲等[5]的方法，RFE的主要思想是利用支持向量機來確定特征的權重，以選擇出對分類相關性強的特征?；谌A張量的MRI腦圖像數(shù)據(jù)，其中含有對分類效果作用不顯著的或者兩類中比較相似的特征，剔除這些冗余的或者不相關的特征，能提高分類模型的精確度，也能減少分類算法運行的時間。

對上述獨立成分分析提取的各訓練樣本張量的獨立成分三階張量Si(i=1,2,…,n)及支持張量機訓練出的三階張量各模的特征權重向量wk,k=1,2,3，按以下步驟進行特征消除：

步驟1：令

(13)

步驟5：根據(jù)步驟4得到的特征索引序列，在樣本(包括訓練樣本與測試樣本)中選定不同維度的特征子集。為了能找到分類效果最好的特征子集，我們利用支持向量機分別對含有不同特征子集的樣本進行訓練測試，訓練測試效果最好所對應的特征子集為最優(yōu)特征子集(維數(shù)降低)，從而得到模-1所對應的最優(yōu)特征子集及其最優(yōu)分類指標。這里也可以考慮加入基本信息或認知分數(shù)特征進行特征選擇。

步驟6:對于模-2，令

(14)

然后類似步驟1-5，可以得到模-2所對應的最優(yōu)特征子集及其最優(yōu)分類指標。

步驟7：對于模-3，令

(15)

然后類似步驟1-5，可以得到模-3所對應的最優(yōu)特征子集及其最優(yōu)分類指標。

步驟8：平均步驟5、 6、 7得到的各分類評價指標作為總評價指標。

上述算法就是遞歸特征消除的過程，此方法采用支持張量機將張量轉(zhuǎn)化為向量進行分析，分別提取了模-1、模-2、模-3對應的主要特征，這可更好地保持三維圖像原來的結構信息與內(nèi)在相關性，也避免了直接采用向量化特征所帶來的維數(shù)災難。

整個實驗過程采用7折交叉驗證的方法，總分類效果為7折交叉驗證的平均。總流程圖如圖2所示。

圖2 算法總流程圖Fig.2 The general flow chart of our algorithm

3 結 果

本文提出了基于張量方法的以MRI腦圖像數(shù)據(jù)為主要特征，并結合認知分數(shù)及基本信息數(shù)據(jù)特征的識別方法?？紤]到在MR成像過程中，鄰近體素會相互影響，因此每個體素點的灰度值不能真實地反映該體素的灰度值。采用基于張量的獨立成分分析進行特征提取，獲取每個體素的獨立成分，從而得到新的灰度張量特征。實驗表明，對比于沒有采用獨立成分分析作特征提取而直接利用支持張量機進行分類的情況(STM)，采用獨立成分分析獲取獨立成分的灰度張量特征(ICA+STM)有助于提高識別性能，如圖3所示。由此證明了特征提取的有效性。此外，并不是灰質(zhì)的每個體素都與阿爾茲海默癥有關，或者灰質(zhì)的不同體素在對阿爾茲海默癥的診斷中具有相似的作用，因此整個灰質(zhì)的灰度張量作為識別特征時，會有信息冗余。剔除這些不相關的特征或冗余信息能提高診斷性能。本文采用基于支持張量機的遞歸特征消除對獨立成分的灰度張量數(shù)據(jù)進行特征選擇(ICA+RFE+STM)。對比沒有采用遞歸特征消除(ICA+STM)的情況，ICA+RFE+STM方法大大提高了分類精確度，如圖3所示。由此證明了特征選擇的重要性。

圖3 特征提取ICA與特征選擇RFE的優(yōu)勢Fig.3 The advantages of feature extraction ICA and feature selection RFE

本文在MRI腦圖像的基礎上，結合認知分數(shù)(Alzheimer’s Disease Assessment Scale-Cognitive subscale, ADAS-Cog分數(shù)與Mini-Mental State Exam, MMSE分數(shù))和樣本的基本信息(年齡、性別、教育程度)作為特征，結果如表2-5所示。

表2 AD與NC的分類結果
Table 2 The classification result of AD-NC %

特征正確率敏感度特異性基本信息68.5775.7161.43認知分數(shù)99.2910098.57三階灰度張量91.1992.8689.52三階灰度張量+認知分數(shù)99.2999.0599.52三階灰度張量+認知分數(shù)+基本數(shù)據(jù)99.2998.57100.0

表3 AD與MCI的分類結果
Table 3 The classification result of AD-MCI %

特征正確率敏感度特異性基本信息70.8825.7199.11認知分數(shù)89.0174.2998.21三階灰度張量82.2365.7192.56三階灰度張量+認知分數(shù)90.1077.1498.21三階灰度張量+認知分數(shù)+基本數(shù)據(jù)91.3980.9597.92

表4 MCI與NC的分類結果
Table 4 The classification result of MCI-NC %

特征正確率敏感度特異性基本信息66.4894.6421.43認知分數(shù)83.5294.6465.71三階灰度張量83.1591.6769.52三階灰度張量+認知分數(shù)87.9194.3577.62三階灰度張量+認知分數(shù)+基本數(shù)據(jù)89.3895.2480.00

表5 MCI-C與MCI-NC分類結果
Table 5 The classification result of MCI-C-MCI-NC %

特征正確率敏感度特異性基本信息61.6166.0757.14認知分數(shù)80.3676.7983.93三階灰度張量77.0877.3876.79三階灰度張量+認知分數(shù)83.3380.9585.72三階灰度張量+認知分數(shù)+基本數(shù)據(jù)83.6382.1485.12

由表2-5可以看出，特征模態(tài)越多，分類性能越好。認知分數(shù)或三階灰度張量作特征進行分類能達到良好的效果，而二者結合能大大提升分類性能，并且提升幅度在MCI-NC和MCI-C-MCI-NC的識別中更有優(yōu)勢。即使再結合基本信息數(shù)據(jù)，分類性能也有所提升，但效果沒那么明顯，而且僅用基本信息(年齡、性別、教育程度)作特征進行分類效果相對較差。這說明了認知分數(shù)和灰質(zhì)灰度在阿爾茲海默癥的診斷中起了主要作用，而基本信息數(shù)據(jù)與阿爾茲海默癥的相關性比較低，但其也包含著有效的信息，這些不同類型數(shù)據(jù)提供著互補的信息，結合不同模態(tài)的數(shù)據(jù)作特征進行分類，有助于對阿爾茲海默癥或輕度認知障礙的診斷治療。

Shen等[10]提出了基于相似矩陣的損失函數(shù)的阿爾茲海默癥識別方法，他們把MRI、PET腦圖像數(shù)據(jù)分割成若干個感興趣區(qū)域，并結合腦脊液數(shù)據(jù)形成特征向量，利用相似矩陣法選取主要特征，然后用支持向量機進行分類。對于AD-NC， MCI-NC， MCI-C-MCI-NC這三種人群的分類，Shen-MPC(結合MRI,PET與CSF數(shù)據(jù))分類正確率比Shen-M(只用MRI數(shù)據(jù))高。不同模態(tài)的數(shù)據(jù)提供了互補的信息，有助于提升分類性能，但也要求每個人患者都得做MRI、PET檢查及腦脊液檢測才能達到有效的診斷，不但檢查費用高，也會增加患者的心理負擔及身體負面影響，在臨床上較難實現(xiàn)。本文提出的基于張量的以MRI腦圖像為特征的方法(Proposed-M)，與Shen的方法相比，除了AD-NC分類正確率比較低之外(但也有90%以上的正確率)，其它兩種分類的效果皆比Shen的好。而當本文方法結合MRI腦圖像數(shù)據(jù)、認知分數(shù)(Cognition)及基本信息數(shù)據(jù)(Basic Information)(Proposed-MCB)，其分類正確率明顯優(yōu)于Shen的結果(如圖4所示)。本文方法只需要用到MRI腦圖像及基本信息、認知分數(shù)信息，意味著患者只需做磁共振檢查，及認知分數(shù)測試。相對于Shen的方法，這不但可以降低患者的檢查項目從而降低就醫(yī)成本，也可降低做身體檢查給患者心理及生理帶來的負面影響，在臨床上更容易實現(xiàn)。

圖4 本文所提出方法與Shen方法的分類性能比較Fig.4 Comparison of classification performances of our proposed method and Shen’s method

Willette等[4]提出了基于獨立成分分析的阿爾茲海默癥識別方法，其采用獨立成分分析對MRI腦圖像數(shù)據(jù)進行特征提取，提取出30個主要的特征，再依次結合基本信息、認知分數(shù)(Cognition)、CSF(腦脊液)、ApoE4(載脂蛋白E4)等不同模態(tài)的數(shù)據(jù)，得出了AD與NC的識別率最高可達94.8%、MCI與NC識別率最高可達84.7%、AD與MCI識別率最高可達83.1%、MCI-C與MCI-NC識別率最高可達80.3%。本文提出的方法，只需結合MRI腦圖像數(shù)據(jù)、認知(Cognition)分數(shù)與樣本的基本信息(Basic information)作為特征(Proposed-MCB)，就能達到比上述方法更優(yōu)越的效果：AD-NC，MCI-NC ，AD-MCI， MCI-C--MCI-NC正確率分別可達99.3%，89.4%，91.4%，83.6%，如圖5所示。這也證明了本文所提出的方法的優(yōu)越性。

圖5 本文所提出方法與Willette方法的分類性能比較Fig.5 Comparison of classification performances of our proposed method and Willette’s method

4 結 論

本文提出了基于張量的以MRI腦圖像灰質(zhì)為主要特征結合認知分數(shù)特征的阿爾茲海默癥識別方法。我們采用基于張量的獨立成分分析提取MRI腦灰質(zhì)圖像的灰度張量特征；然后，利用支持張量機將灰度張量特征轉(zhuǎn)化為各個模的向量特征；接著，采用遞歸特征消除法，對向量化的各模向量特征進行特征選擇，得到最優(yōu)特征子集；最后，采用支持向量機對特征最優(yōu)選擇后的4組人群(AD-NC，MCI-NC ，AD-MCI，MCI-C--MCI-NC)進行識別分類，得其分類性能參數(shù)。與前人的研究相比，我們所提出的方法明顯更加優(yōu)異：認知分數(shù)或三階灰度張量作特征進行分類能達到良好的效果，而二者結合能大大提升分類性能，其提升幅度在MCI-NC和MCI-C--MCI-NC的識別中更有優(yōu)勢。即使再結合基本信息數(shù)據(jù)，分類性能也有所提升，但效果沒那么明顯，而且僅用基本信息(年齡、性別、教育程度)作特征進行分類效果相對較差。這說明了認知分數(shù)和灰質(zhì)灰度在阿爾茲海默癥的診斷中起了主要作用，而基本信息數(shù)據(jù)與阿爾茲海默癥的相關性比較低，但其也包含著有效的信息，這些不同類型數(shù)據(jù)提供著互補的信息，結合不同模態(tài)的數(shù)據(jù)作特征進行分類，有助于對阿爾茲海默癥或輕度認知障礙的診斷治療。由于阿爾茲海默癥是一種不可逆的疾病，所以對其發(fā)病前(輕度認知障礙階段)的診斷干預是非常有必要的。而本文在輕度認知障礙的研究中，MCI-NC 與MCI-C--MCI-NC的這兩組分類，其正確率高達89.38%(敏感性95.24%，特異性80%)與83.63%(敏感性82.14%，特異性85.12%)，這可為阿爾茲海默癥發(fā)病前的干預治療提供非常重要的依據(jù)，從而有利于延遲甚至防止阿爾茲海默癥的發(fā)生。研究結果表明，本文所提出的方法能有效地識別出阿爾茲海默癥患者或輕度認知障礙患者，可為阿爾茲海默癥臨床的診斷、預防與治療提供非常重要的幫助。

[1] DAI Z J, YAN C G, WANG Z Q, et al. Discriminative analysis of early Alzheimer’s disease using multi-modal imaging and multi-level characterization with multi-classifier(M3) [J]. NeuroImage, 2012, 59(3): 2187-2195.

[2] 黃文強, 黃榕波, 朱思銘. 一類變量可分離支持向量分類機的研究與應用[J]. 中山大學學報(自然科學版),2006, 45(3): 9-12. HUANG W Q, HUANG R B, ZHU S M. Application research on a kind of support vector classsification machine with seperable variables [J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2006, 45(3): 9-12.

[3] LIU F, SUK H, SHEN D G, et al. High-order graph matching based feature selection for Alzheimer’s disease identification [J]. Medical Image Computing & Computer-assist Intervention, 2013, 16(2): 311-318.

[4] WILLETTE A A, CALHOUN V D, EGAN J M, et al. Prognostic classification of mild cognitive impairment and Alzheimer’s disease: MRI independent component analysis [J]. Psychiatry Research Neuroimaging, 2014, 224(2): 81-88.

[5] 陳振洲, 李磊, 姚正安. 基于SVM的特征加權KNN算法[J]. 中山大學學報(自然科學版), 2005, 44(1): 17-20. CHEN Z Z, LI L, YAO Z A.Feature-weighted k-nearest neighbor algorithm with SVM [J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2005, 44(1): 17-20.

[6] EGGERT L D, SOMMER J, JANSEN A, et al. Accuracy and reliability of automated gray matter segmentation pathways on real and simulated structural magnetic resonance images of the human brain [J]. PLoS One, 2012, 7(9): e45081. [doi: 10.1371/journal.pone.0045081]

[7] 孫明芳. 基于張量的圖像識別方法的研究[D]. 長春：吉林大學, 2012. SUN M F. The research of image recognition method based on tensor [D]. Changchun: Jilin University, 2012.

[8] 李林軍. 基于支持張量機的三維熒光光譜分析方法及在真菌毒素檢測中的應用[D]. 杭州：浙江大學, 2013. LI L J. The three-dimensional fluorescence spectrometry analysis methods based on support tensor machine and its application to mycotoxins detection [D]. Hangzhou: Zhejiang University, 2013.

[9] GUYON I, WESTON J, VAPNIK V, et al. Gene selection for cancer classification using support vector machines [J]. Machine Learning, 2002, 46(1/2/3): 389-422.

[10] ZHU X F, SUK H, SHEN D G, et al. A novel matrix-loss function for joint regression and classification in AD diagnosis [J]. NeuroImage, 2014, 100: 91-105.

Prognostic classification of Alzheimer’s disease brain image based on tensor method

YANGNing1,XUPanpan1,LIUPeijia2,LIShulong1

(1. School of Biomedical Engineering, Southern Medical University//Guangdong Provincial Key Laboratory of Medical Image Processing，Guangzhou 510515, China; 2. School of Mathematics, South China University of Technology, Guangzhou 510641, China)

A classification method based on the third-order tensors of brain structural magnetic resonance images is proposed to automatically identify Alzheimer’s disease and mild cognitive impairment. Brain structural magnetic resonance images from 70 AD patients, 112 MCI patients (included patients were converted to AD during follow-up, MCI-C: MCI Converters and patients were not converted to AD during follow-up, MCI-NC: MCI Non-converters) and 70 NCs (normal controls) are collected. The third-order tensors are obtained by extracting image intensity of each voxel of gray matter. In order to obtain the independent components of the third-order tensors, independent component analysis (ICA) is applied. Then, support tensor machine (STM) and recursive feature elimination (RFE) are used to reduce features dimensions and determine dominate features for classification. Finally, the classification of four groups, such as AD-NC, MCI-NC, AD-MCI, MCI-C--MCI-NC, is implemented by using 7-fold cross-validation method. In addition, basic information and cognitive scores are combined with the third-order tensor for classification. It is proved that basic information, cognitive scores and image intensity of brain gray matter provide complementary information, which is helpful to improve the classification effect. The experiment results show that this method can achieve excellent classification effect, which contributes to the diagnosis and treatment of Alzheimer’s disease and mild cognitive impairment.

AD; MCI; tensor; cognitive scores; independent component analysis; support tensor machine; recursive feature elimination

10.13471/j.cnki.acta.snus.2017.02.007

2016-08-05 基金項目：國家自然科學基金 (11201219)；廣東省醫(yī)學圖像處理重點實驗室項目(2014B030301042)

楊寧(1990年生), 男；研究方向：影像組學，醫(yī)學圖像分析；E-mail：1157663200@qq.com

李淑龍(1981年生), 女；研究方向：影像組學，醫(yī)學圖像分析；E-mail：shulong@smu.edu.cn

R742；R445.2

A

0529-6579(2017)02-0040-08