朱 琳，于海濤，雷新宇，劉 靜，王若凡

（1. 天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院，天津300072；2. 唐山市工人醫(yī)院神經(jīng)內(nèi)科，河北唐山063000； 3. 天津職業(yè)技術(shù)師范大學(xué)信息技術(shù)工程學(xué)院，天津300222）

0 引言

阿爾茨海默癥（Alzheimer’s Disease，AD）是目前全世界影響最廣的神經(jīng)系統(tǒng)疾病之一［1］，伴隨包括喪失記憶、思考和語(yǔ)言能力等癥狀，病程緩慢且具有不可逆性，因此AD的早期診斷是神經(jīng)系統(tǒng)疾病研究的重點(diǎn)。AD往往伴隨著大腦神經(jīng)組織的病變和損傷，以及神經(jīng)電信號(hào)、腦組織異變等現(xiàn)象，如AD患者的腦組織中出現(xiàn)β淀粉樣蛋白沉積等生物標(biāo)志物［2-4］，此類標(biāo)志物通常可通過腦電圖、磁共振成像等神經(jīng)影像學(xué)技術(shù)檢測(cè)［5-8］。對(duì)于此類大量的神經(jīng)影像學(xué)資料，診斷過程均需要醫(yī)生手動(dòng)標(biāo)識(shí)，耗費(fèi)大量時(shí)間以及勞動(dòng)力。此外，人工診斷結(jié)果存在主觀性，往往受限于醫(yī)生的經(jīng)驗(yàn)而出現(xiàn)誤診的情況［9-11］。

采用機(jī)器學(xué)習(xí)算法對(duì)AD 患者的腦部成像進(jìn)行分析以及標(biāo)記可以忽略先驗(yàn)知識(shí)的需要，并大大減少診斷所需時(shí)間。Trambaiolli 等［12］應(yīng)用支持向量機(jī)（Support Vector Machine，SVM）來識(shí)別AD 患者，并采用雙極峰的辦法識(shí)別腦電（ElectroEncephaloGram，EEG）信號(hào)的特征。?evik 等［13］提出了一種基于全自動(dòng)體素的核磁共振成像（Magnetic Resonance Imaging，MRI）分析算法，可用于AD 早期階段和輕度認(rèn)知障礙的輔助診斷。然而基于單一維度的腦部成像往往會(huì)忽視大腦不同腦區(qū)之間的相互作用，而腦網(wǎng)絡(luò)可以反映不同腦區(qū)電生理活動(dòng)的特征，并量化其相互耦合的情況，目前廣泛應(yīng)用于大腦成像的研究當(dāng)中。如Stam 等［14］從AD 患者的腦電圖和功能性核磁共振圖像靜息狀態(tài)數(shù)據(jù)中提取出功能網(wǎng)絡(luò)，發(fā)現(xiàn)其小世界特征的丟失。

MRI是一種能夠以高分辨率捕獲大腦解剖細(xì)節(jié)的腦成像技術(shù)，被廣泛應(yīng)用于AD 臨床診斷及研究當(dāng)中［15-16］。傳統(tǒng)的基于MRI 的計(jì)算機(jī)輔助診斷系統(tǒng)是基于特定目標(biāo)區(qū)域的，這種方法主觀性較強(qiáng)，重復(fù)性較差［17］。本文將結(jié)合計(jì)算機(jī)分析與功能網(wǎng)絡(luò)構(gòu)建，將MRI 圖像等分為多個(gè)結(jié)構(gòu)塊并量化其結(jié)構(gòu)相似性（Structural SIMilarity，SSIM）構(gòu)建網(wǎng)絡(luò)，再采用多分類器進(jìn)行特征識(shí)別。

1 數(shù)據(jù)獲取與預(yù)處理

本文使用的MRI圖像數(shù)據(jù)來自阿爾茨海默癥神經(jīng)影像學(xué)倡議（Alzheimer’s Disease Neuroimaging Initiative，ADNI）數(shù)據(jù)庫(kù)，采用了ADNI-1 的標(biāo)準(zhǔn)基準(zhǔn)庫(kù)中的217 個(gè)實(shí)驗(yàn)對(duì)象的1.5 TB MRI 圖像。這217 個(gè)測(cè)試對(duì)象包括108 個(gè)AD 患者和109個(gè)正常人，隨機(jī)選取其中80個(gè)AD患者和80個(gè)正常人構(gòu)成數(shù)據(jù)集。

實(shí)驗(yàn)數(shù)據(jù)來源之間存在一定個(gè)體差異，本次實(shí)驗(yàn)中使用的160 位測(cè)試對(duì)象的MRI圖像在位置、腦部形狀、腦部大小上存在比較明顯的差別，所以需要進(jìn)行預(yù)處理，從而保證后續(xù)對(duì)各實(shí)驗(yàn)對(duì)象的MRI圖像數(shù)據(jù)進(jìn)行分析和比較的有效性。數(shù)據(jù)預(yù)處理過程包括：時(shí)間層校正、頭動(dòng)校正以及標(biāo)準(zhǔn)化。

1）時(shí)間層校正：為了消除各個(gè)掃描層之間采集時(shí)間的差異，在保持整段采集信號(hào)恒定的前提條件下，通過移動(dòng)采集信號(hào)的正弦相位，前移或后移采集的起始時(shí)間進(jìn)行時(shí)間層校正。由傅里葉變換公式

在每個(gè)頻率的相位中加入一個(gè)常值，可實(shí)現(xiàn)采集數(shù)據(jù)起始時(shí)間和結(jié)束時(shí)間的移動(dòng)。

2）頭動(dòng)校正：為了消除受試者頭動(dòng)位移導(dǎo)致的MRI 掃描異形，把MRI圖像序列中各層圖像按照第一層對(duì)齊，然后根據(jù)被試對(duì)象的頭動(dòng)數(shù)據(jù)進(jìn)行判斷，頭動(dòng)若超過一個(gè)體素，則棄用該MRI 圖像測(cè)試?yán)?。處理結(jié)果發(fā)現(xiàn)，AD 組有2 個(gè)對(duì)象的頭動(dòng)情況超過正常范圍，正常組有1 個(gè)頭動(dòng)情況超過正常范圍，篩選得到78個(gè)AD患者和79個(gè)正常對(duì)照的MRI圖像。

3）標(biāo)準(zhǔn)化：將圖像配準(zhǔn)到MNI152 模板上，通過將不同形狀及大小的實(shí)驗(yàn)對(duì)象的頭部置于標(biāo)準(zhǔn)的空間里，實(shí)現(xiàn)一個(gè)公用的物理坐標(biāo)系，便于對(duì)大腦進(jìn)行精確的描述。

2 算法設(shè)計(jì)

2.1 網(wǎng)絡(luò)構(gòu)造

本文提出將腦網(wǎng)絡(luò)特征識(shí)別方法應(yīng)用于MRI圖像的分析當(dāng)中。結(jié)構(gòu)塊劃分以及腦網(wǎng)絡(luò)構(gòu)建的過程如圖1 所示。首先將預(yù)處理后的全切層MRI 圖像依照掃描順序?qū)R疊放在一起，可以得到維度為81×96×81 的三維矩陣；進(jìn)一步將三維矩陣劃分為多個(gè)結(jié)構(gòu)塊，以3×3×3的劃分方法為例，結(jié)構(gòu)塊之間無(wú)重疊則可以劃分得到大小為27×32×27 的27 個(gè)結(jié)構(gòu)塊；接下來將結(jié)構(gòu)塊視作網(wǎng)絡(luò)節(jié)點(diǎn)，通過計(jì)算任意兩個(gè)結(jié)構(gòu)塊之間的結(jié)構(gòu)相似性構(gòu)造連接矩陣，進(jìn)而構(gòu)建基于MRI的腦網(wǎng)絡(luò)。

SSIM 是一種直接評(píng)估兩幅圖像之間相似性的方法，通過比較兩幅圖像之間結(jié)構(gòu)信息的差異造成的圖像失真程度，得到客觀的評(píng)價(jià)指標(biāo)。對(duì)圖像x和y，x的平均值為μx，方差為σx，y的平均值為μy，方差為σy，σxy為x和y的協(xié)方差，則SSIM定義為：

其中：l(x，y)代表亮度比較；c(x，y)代表對(duì)比度比較；s(x，y)代表結(jié)構(gòu)比較；c1、c2、c3為常數(shù)項(xiàng)，計(jì)算中一般設(shè)定為α=β=γ= 1，c1=(0.001 ×L)2，c2=(0.003 ×L)2，c3=c32，其中L為像素值的動(dòng)態(tài)范圍。SSIM 具有對(duì)稱性，即SSIM(x，y) =SSIM(y，x)。因此，由定義可知SSIM 的取值范圍為［0，1］，其值與相似性成正比，值越大表示兩幅圖像之間的相似性越高，當(dāng)兩幅圖像完全一樣時(shí)，SSIM值為1。

通過遍歷計(jì)算任意兩個(gè)結(jié)構(gòu)塊之間的結(jié)構(gòu)相似性指數(shù)，可以得到結(jié)構(gòu)相似性矩陣，構(gòu)建加權(quán)網(wǎng)絡(luò)。設(shè)定比例閾值為0.3，對(duì)各矩陣保留各自前30%的高相似性值，其余的值置零，可構(gòu)建得到以結(jié)構(gòu)塊為節(jié)點(diǎn)的加權(quán)復(fù)雜網(wǎng)絡(luò)，并通過二值化得到無(wú)權(quán)網(wǎng)絡(luò)。

圖1 腦網(wǎng)絡(luò)構(gòu)造示意圖Fig. 1 Schematic diagram of brain network construction

2.2 網(wǎng)絡(luò)特征參數(shù)提取

圖論是分析網(wǎng)絡(luò)特性的重要研究工具，它通過提取網(wǎng)絡(luò)的特征參數(shù)來量化網(wǎng)絡(luò)的特性，本文將從基于結(jié)構(gòu)相似性獲得的網(wǎng)絡(luò)中提取加權(quán)網(wǎng)絡(luò)和無(wú)權(quán)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)（全局效率、聚類系數(shù)、局部效率、節(jié)點(diǎn)介數(shù)、邊介數(shù)）。

假設(shè)一個(gè)具有N個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)，集合G表示所有節(jié)點(diǎn)。定義一個(gè)鄰接矩陣A來描述節(jié)點(diǎn)之間的連接關(guān)系，則節(jié)點(diǎn)i和j的連接用aij來表示（aij= 1 表示有連接，aij= 0 表示沒有連接），邊的權(quán)值為wij。節(jié)點(diǎn)i和j的最短路徑長(zhǎng)度可以表示為：

其中g(shù)i?j表示節(jié)點(diǎn)i到節(jié)點(diǎn)j最短的路徑。

節(jié)點(diǎn)i的全局效率定義為最短路徑長(zhǎng)度的倒數(shù)，即

那么網(wǎng)絡(luò)的平均全局效率定義為：

單個(gè)節(jié)點(diǎn)的局部效率定義為：

網(wǎng)絡(luò)的平均局部效率定義為：

聚類系數(shù)是評(píng)估網(wǎng)絡(luò)聚集的重要參數(shù)，對(duì)于無(wú)權(quán)網(wǎng)絡(luò)，節(jié)點(diǎn)i的聚類系數(shù)的計(jì)算公式為：

其中：Ki是節(jié)點(diǎn) i 的度，計(jì)算公式如式（13）；ti表示節(jié)點(diǎn) i 與它鄰接節(jié)點(diǎn)j、h可以形成的三角形的數(shù)量，計(jì)算公式如式（14）。

全局效率以及聚類系數(shù)衡量了網(wǎng)絡(luò)的信息傳遞能力，也在一定程度上反映了網(wǎng)絡(luò)的安全性和穩(wěn)定性。

節(jié)點(diǎn)介數(shù)定義為網(wǎng)絡(luò)中所有最短路徑中經(jīng)過該節(jié)點(diǎn)的路徑的數(shù)目占最短路徑總數(shù)的比例：

邊介數(shù)定義為網(wǎng)絡(luò)中所有最短路徑中經(jīng)過該邊的路徑的數(shù)目占最短路徑總數(shù)的比例：

2.3 機(jī)器學(xué)習(xí)算法

將網(wǎng)絡(luò)特征參數(shù)輸入到機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，不同的機(jī)器學(xué)習(xí)模型具有不同特點(diǎn)，對(duì)不同類型的輸入數(shù)據(jù)適應(yīng)性存在差異，因此本文中采用多種機(jī)器學(xué)習(xí)算法并對(duì)識(shí)別結(jié)果進(jìn)行比較，同時(shí)對(duì)單一特征輸入以及多特征組合輸入進(jìn)行比較，采用的算法包括 TSK 模糊分類器［18］、K 近鄰（K-Nearest Neighbor，KNN）分 類 器［19］、支 持 向 量 機(jī)（Support Vector Machine，SVM）分類器［20］以及樸素貝葉斯（Na?ve Bayesian，NB）分類器［21］。TSK 利用多個(gè)模糊規(guī)則對(duì)模型進(jìn)行表征，具有可解釋性高以及泛化性好高等優(yōu)點(diǎn)；KNN 分類器是一種基于距離計(jì)算進(jìn)行分類的算法，計(jì)算效率高；SVM通過構(gòu)建一個(gè)或者多個(gè)高維的超平面來對(duì)樣本數(shù)據(jù)進(jìn)行劃分，應(yīng)用普遍且更加直觀；NB分類器以貝葉斯定理為基礎(chǔ)假設(shè)數(shù)據(jù)樣本特征完全獨(dú)立，是一種基于概率計(jì)算的分類器。

3 模型訓(xùn)練及統(tǒng)計(jì)分析

將預(yù)處理之后的MRI 圖像疊放并進(jìn)行結(jié)構(gòu)塊劃分，進(jìn)一步利用SSIM 量化結(jié)構(gòu)塊之間的結(jié)構(gòu)相似性，得到連接矩陣，并通過選取閾值構(gòu)建以結(jié)構(gòu)塊為節(jié)點(diǎn)的加權(quán)網(wǎng)絡(luò)以及無(wú)權(quán)網(wǎng)絡(luò)；再利用圖論提取網(wǎng)絡(luò)的特征并進(jìn)行統(tǒng)計(jì)分析，研究AD 對(duì)于網(wǎng)絡(luò)整體結(jié)構(gòu)特性的影響，并進(jìn)一步傳遞給多個(gè)分類器進(jìn)行模型訓(xùn)練以及分類，探討可能對(duì)分類產(chǎn)生影響的參數(shù)。

3.1 腦網(wǎng)絡(luò)結(jié)構(gòu)統(tǒng)計(jì)分析

對(duì)所有AD 患者和正常對(duì)照的結(jié)構(gòu)相似性矩陣的均值進(jìn)行單因素方差分析組間差異，統(tǒng)計(jì)結(jié)果顯示AD 組為0.253 1±0.088 1，正常對(duì)照組為 0.270 3±0.067 5。AD 組的平均值略小于正常對(duì)照組，單因素方差分析結(jié)果顯示p ＞0.1，表示AD和正常對(duì)照之間不存在明顯的組間差異，因此患病可能沒有對(duì)MRI整體結(jié)構(gòu)相似性產(chǎn)生明顯影響。

進(jìn)一步應(yīng)用圖論分析法分析腦網(wǎng)絡(luò)結(jié)構(gòu)特性。利用單因素方差分析分別以全局效率、聚類系數(shù)、局部效率、節(jié)點(diǎn)介數(shù)、邊介數(shù)作為參數(shù)來分析AD 和正常對(duì)照之間的組間差異。統(tǒng)計(jì)結(jié)果如圖2（加權(quán)）和圖3（無(wú)權(quán)）所示，圖中“*”表示p在0.05水平上具有顯著性差異（p ＜ 0.05），“△”表示p在0.01 水平上具有顯著性差異（p ＜0.01）。對(duì)于加權(quán)腦網(wǎng)絡(luò)（圖2），AD組的全局效率、聚類系數(shù)、局部效率平均值均略微大于正常對(duì)照組，以上參數(shù)的單因素方差分析結(jié)果為p ＞0.05，表示AD和正常對(duì)照之間不存在顯著差異。AD 組的節(jié)點(diǎn)介數(shù)大于正常對(duì)照組（p ＜ 0.01），邊介數(shù)相較正常對(duì)照組有所減?。╬ ＜ 0.05），節(jié)點(diǎn)介數(shù)和邊介數(shù)均存在顯著性差異。對(duì)于無(wú)權(quán)腦網(wǎng)絡(luò)（圖3），AD 組的全局效率、聚類系數(shù)平均值均略微大于正常對(duì)照組，AD 組邊介數(shù)較正常對(duì)照組略微減小，以上參數(shù)的單因素方差分析結(jié)果為p ＞0.05，表示全局效率、聚類系數(shù)、節(jié)點(diǎn)介數(shù)在AD和正常對(duì)照之間不存在顯著差異。AD組的局部效率大于正常對(duì)照組（p ＜0.05），節(jié)點(diǎn)介數(shù)相較正常對(duì)照組有所減?。╬ ＜0.05），局部效率和邊介數(shù)均存在顯著性差異。

圖2 加權(quán)網(wǎng)絡(luò)特征參數(shù)統(tǒng)計(jì)箱形圖Fig. 2 Boxplots of weighted network feature parameters statistics

圖3 無(wú)權(quán)網(wǎng)絡(luò)特征參數(shù)統(tǒng)計(jì)箱形圖Fig. 3 Boxplots of unweighted network feature parameters statistics

3.2 模型訓(xùn)練及機(jī)器識(shí)別

結(jié)構(gòu)參數(shù)的分析結(jié)果顯示AD 患者腦網(wǎng)絡(luò)的結(jié)構(gòu)相較對(duì)照組存在差異，為了進(jìn)一步分析這種建網(wǎng)方法的可行性以及比較不同網(wǎng)絡(luò)特征參數(shù)的識(shí)別效果，采用機(jī)器學(xué)習(xí)分類器來對(duì)腦網(wǎng)絡(luò)參數(shù)進(jìn)行識(shí)別?？紤]到不同分類方法對(duì)于參數(shù)的適應(yīng)性不同，采用不同的分類方法可能會(huì)對(duì)識(shí)別效果產(chǎn)生影響，因此采用多種通用的分類器分別進(jìn)行隨機(jī)抽樣來完成腦網(wǎng)絡(luò)參數(shù)的識(shí)別以選擇更優(yōu)的分類算法。使用的分類方法包含TSK 模糊分類器、KNN、SVM、NB，分別對(duì)AD 的加權(quán)腦網(wǎng)絡(luò)和無(wú)權(quán)腦網(wǎng)絡(luò)進(jìn)行特征識(shí)別。由于同時(shí)采用多種分類器進(jìn)行驗(yàn)證，為了避免交叉驗(yàn)證中倍數(shù)的選擇對(duì)不同模型的驗(yàn)證結(jié)果可能產(chǎn)生的影響，采用隨機(jī)抽樣驗(yàn)證。訓(xùn)練時(shí)首先將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，每次訓(xùn)練將隨機(jī)提取60 例AD 和60例正常人對(duì)照的MRI圖像構(gòu)成訓(xùn)練集，其余的構(gòu)成測(cè)試集；接下來將訓(xùn)練集輸入到不同的分類器進(jìn)行訓(xùn)練學(xué)習(xí)，并用測(cè)試集檢驗(yàn)該分類器對(duì)AD 腦網(wǎng)絡(luò)的識(shí)別效果。為保證不出現(xiàn)極端測(cè)試情況，針對(duì)不同的分類器以及輸入?yún)?shù)，此過程均將循環(huán)500 次并對(duì)分類準(zhǔn)確率分別取平均。為保證調(diào)參的精度，通過網(wǎng)格搜索法對(duì)各個(gè)分類器參數(shù)進(jìn)行自動(dòng)優(yōu)化，最終分類結(jié)果如表1所示。

對(duì)于加權(quán)和無(wú)權(quán)腦網(wǎng)絡(luò)，各個(gè)分類器均在采用邊介數(shù)時(shí)取得最佳的AD 識(shí)別準(zhǔn)確率（加粗顯示于表1 中）。前文中網(wǎng)絡(luò)參數(shù)的統(tǒng)計(jì)分析顯示邊介數(shù)呈現(xiàn)出的差異較大，這種差異同樣體現(xiàn)于識(shí)別結(jié)果中。同樣對(duì)于加權(quán)和無(wú)權(quán)網(wǎng)絡(luò)，單一參數(shù)識(shí)別率最高的分類模型均為SVM 分類器，加權(quán)網(wǎng)絡(luò)的邊介數(shù)分類準(zhǔn)確率為78.42%，無(wú)權(quán)網(wǎng)絡(luò)的邊介數(shù)分類準(zhǔn)確率為90.05%。多參數(shù)進(jìn)一步考慮雙參數(shù)作為輸入向量，分類結(jié)果如表2所示。

表1 加權(quán)網(wǎng)絡(luò)及無(wú)權(quán)網(wǎng)絡(luò)參數(shù)單一輸入分類結(jié)果Tab. 1 Classification results of weighted network and unweighted network with one parameter as single input

表2 加權(quán)網(wǎng)絡(luò)及無(wú)權(quán)網(wǎng)絡(luò)參數(shù)多輸入分類結(jié)果表3 Classification results of weighted network and unweighted network with parameters as multiples inputs

表2 的結(jié)果顯示多參數(shù)作為輸入向量時(shí)分類效果優(yōu)于單一輸入，對(duì)于加權(quán)腦網(wǎng)絡(luò)，各個(gè)分類器均在采用節(jié)點(diǎn)介數(shù)和邊介數(shù)時(shí)取得最佳的AD識(shí)別準(zhǔn)確率（加粗顯示于表2中），TSK、KNN、SVM 和 NB 的最高識(shí)別率分別為 90.66%、89.43%、91.04%和84.17%，其中SVM 對(duì)AD 識(shí)別的準(zhǔn)確率最高，NB的識(shí)別準(zhǔn)確率最低。同樣，對(duì)于無(wú)權(quán)腦網(wǎng)絡(luò)，各個(gè)分類器均在采用節(jié)點(diǎn)介數(shù)和邊介數(shù)時(shí)取得最佳的AD 識(shí)別準(zhǔn)確率（加粗顯示于表2 中），TSK、KNN、SVM 和 NB 的最高識(shí)別率分別為94.51%、93.89%、94.09%和89.11%，其中TSK 對(duì)AD 識(shí)別的準(zhǔn)確率最高，NB 的識(shí)別準(zhǔn)確率最低。此外，各分類器對(duì)無(wú)權(quán)腦網(wǎng)絡(luò)特征的識(shí)別準(zhǔn)確率均高于其對(duì)加權(quán)腦網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率。根據(jù)多分類器的分類結(jié)果，可以得到結(jié)論，AD 與正常人腦網(wǎng)絡(luò)特征中的節(jié)點(diǎn)介數(shù)和邊介數(shù)為最有效組合特征。同時(shí)對(duì)于結(jié)構(gòu)相似性網(wǎng)絡(luò)，其參數(shù)作為雙特征輸入時(shí)模型的分類效果最好，參數(shù)輸入增加后會(huì)產(chǎn)生過擬合降低分類準(zhǔn)確性。因此如圖4所示，將AD 和正常人腦網(wǎng)絡(luò)的節(jié)點(diǎn)介數(shù)和邊介數(shù)映射到二維平面上。結(jié)果表明，對(duì)于結(jié)構(gòu)相似性網(wǎng)絡(luò)以節(jié)點(diǎn)介數(shù)和邊介數(shù)為組合時(shí)，AD和正常對(duì)照之間展現(xiàn)了很高的分離度，同時(shí)無(wú)權(quán)網(wǎng)絡(luò)的樣本分布更為密集，分離度更高。

為了分析結(jié)構(gòu)塊化劃分方式對(duì)網(wǎng)絡(luò)特性的影響，考慮將全切層（81×96×81）MRI 圖像分別劃分為16、27、42、54 個(gè)結(jié)構(gòu)塊，采用SSIM 衡量結(jié)構(gòu)塊之間的結(jié)構(gòu)相似性，得到結(jié)構(gòu)相似性矩陣，設(shè)定比例閾值0.3，對(duì)四種分塊方法均保留各自前30%的高相似性值，其余的值置零，分別構(gòu)建加權(quán)網(wǎng)絡(luò)和無(wú)權(quán)網(wǎng)絡(luò)，并計(jì)算加權(quán)和無(wú)權(quán)網(wǎng)絡(luò)的全局效率、聚類系數(shù)、局部效率、節(jié)點(diǎn)介數(shù)、邊介數(shù)，最后分別采取前文中分類效果最優(yōu)的分類器以及輸入?yún)?shù)對(duì)四種結(jié)構(gòu)塊劃分方法進(jìn)行腦網(wǎng)絡(luò)參數(shù)識(shí)別，對(duì)AD的腦網(wǎng)絡(luò)特征識(shí)別結(jié)果如圖5所示。

圖4 邊介數(shù)vs. 節(jié)點(diǎn)介數(shù)分布圖Fig. 4 Distribution maps of node betweenness vs. edge betweenness

圖5 （a）中統(tǒng)計(jì)分析表示在選取16、27、42、54 結(jié)構(gòu)塊劃分加權(quán)網(wǎng)絡(luò)時(shí)，TSK 模糊分類器對(duì)單一或特征組合識(shí)別的統(tǒng)計(jì)，其中圓點(diǎn)為均值，并附有誤差帶，同理圖5（b）為無(wú)權(quán)網(wǎng)絡(luò)統(tǒng)計(jì)分析結(jié)果。由圖5 可知，當(dāng)將MRI 圖像劃分為27 個(gè)結(jié)構(gòu)塊時(shí)能取得最佳的識(shí)別結(jié)果，并且隨著分塊數(shù)量增多，TSK 模糊分類器對(duì)AD 的識(shí)別準(zhǔn)確率下降。推測(cè)劃分的結(jié)構(gòu)塊體積過小會(huì)導(dǎo)致結(jié)構(gòu)之間相似性降低，結(jié)構(gòu)相似性矩陣中元素值較小且分布集中，所構(gòu)建的腦網(wǎng)絡(luò)隨機(jī)性大，特征識(shí)別結(jié)果差。

圖5 不同劃分方法下分類準(zhǔn)確率Fig. 5 Classification accuracy of different division methods

4 結(jié)語(yǔ)

本文提出了一種基于MRI 圖像構(gòu)建AD 的結(jié)構(gòu)相似性網(wǎng)絡(luò)的新方法，并提取了腦網(wǎng)絡(luò)的結(jié)構(gòu)特征參數(shù)，結(jié)合機(jī)器學(xué)習(xí)算法對(duì)AD 進(jìn)行精準(zhǔn)識(shí)別。本文方法已實(shí)現(xiàn)對(duì)AD 樣本和健康受試者的識(shí)別，且識(shí)別正確率高，驗(yàn)證了這種構(gòu)網(wǎng)方法的有效性。未來希望將所提出的方法進(jìn)一步應(yīng)用于AD 的早期診斷上，即包含輕度意識(shí)障礙在內(nèi)的腦網(wǎng)絡(luò)特征識(shí)別，受限于腦電數(shù)據(jù)采集的有限性，仍需進(jìn)一步實(shí)驗(yàn)驗(yàn)證將腦網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)方法相結(jié)合在識(shí)別輕度意識(shí)障礙時(shí)的有效性，并通過后續(xù)實(shí)驗(yàn)發(fā)現(xiàn)更多的可用于結(jié)構(gòu)相似性網(wǎng)絡(luò)的特征。