高阶功能网络估计及其在脑疾病早期诊断中的应用

论文摘要

脑功能网络不仅是人们理解大脑工作机制的重要途径,还为挖掘神经或精神疾病生物标记提供了重要工具.然而,大脑极度复杂,使得估计理想的脑功能网络至今仍是一个充满挑战的问题.脑功能网络估计通常以静息态功能磁共振成像(fMRI)为数据源,以大脑的感兴趣区域作为节点,旨在确定脑区之间的统计依赖性作为网络的边权.目前估计脑功能网络的方法有很多,包括Pearson相关、偏相关、正则化偏相关等.尽管这些方法获得了成功的应用,但它们均基于二阶统计量,只能建模脑区之间的低阶相关性,而现有的高阶脑功能网络方法主要依靠直觉和经验,缺乏统计学或概率理论的支撑.鉴于此,本文重点对高阶脑功能网络进行研究,并取得如下研究结果:1.基于矩阵变量正态分布(MVND)提出了新型的高阶脑功能网络估计方法,能同时获取低阶和高阶相关性,并具有明确的数学可解释性.首先通过滑动窗口生成动态时间子序列,对子序列计算Pearson相关得到低阶脑功能网络.假设低阶网络服从MVND,通过对模型的最大似然估计计算最终的低阶和高阶脑功能网络.在轻度认知障碍的分类实验中验证了提出方法的有效性.2.基于矩阵正则化学习框架提出了增强的高阶脑功能网络估计方法,解决高阶脑功能网络(使用最大似然估计)包含噪声连接的问题.该方法在学习高阶脑功能网络的近邻网络的同时,对模型分别嵌入稀疏性和模块性,达到提高网络稀疏性的目的.提出方法应用于轻度认知障碍和自闭症的分类实验,结果表明嵌入模块性的高阶脑功能网络表现最优.3.提出了贝叶斯视角下重构的高阶脑功能网络估计方法.首先在贝叶斯框架中对引入正态分布先验的Pearson相关进行了重构,基于此框架,对引入MVND先验的高阶脑功能网络进行了重构.重构方法不仅给出了高阶脑功能网络合理的概率解释,而且能从数据中自动学习.该方法在自闭症的分类实验中优于基线方法.

论文目录

• 摘要
• abstract
• 前言
• 第一章 绪论
•   1.1 脑功能网络介绍
•   1.2 脑功能网络估计方法
•   1.3 脑功能网络应用及处理流程
•   1.4 高阶脑功能网络估计
• 第二章 基于矩阵变量正态分布的高阶脑功能网络估计
•   2.1 引言
•   2.2 基于矩阵变量正态分布的高阶脑功能网络估计
•   2.3 实验结果与分析
•   2.4 本章小结
• 第三章 增强的稀疏或模块性的高阶脑功能网络估计
•   3.1 引言
•   3.2 增强的高阶脑功能网络估计
•   3.3 实验结果与分析
•   3.4 讨论
•   3.5 本章小结
• 第四章 贝叶斯重构的高阶脑功能网络估计
•   4.1 引言
•   4.2 贝叶斯重构的高阶脑功能网络估计
•   4.3 实验结果与分析
•   4.4 讨论
•   4.5 本章小结
• 第五章 总结与展望
•   5.1 本文总结
•   5.2 未来展望
• 参考文献
• 附录
• 致谢
• 攻读硕士学位期间发表的学术论文

文章来源

类型: 硕士论文

作者: 周月莹

导师: 乔立山

关键词: 高阶脑功能网络,矩阵变量正态分布,贝叶斯,稀疏性,模块性,轻度认知障碍,自闭症

来源: 聊城大学

年度: 2019

分类: 基础科学,医药卫生科技

专业: 数学,神经病学

单位: 聊城大学

分类号: R742;O157.5

DOI: 10.27214/d.cnki.glcsu.2019.000487

总页数: 50

文件大小: 2044K

下载量: 30