基于聚类过采样和结构稀疏表达的ADHD多模态MRI融合分类

The diagnosis and treatment of attention deficit hyperactivity disorder (ADHD) has increasingly gained more attention from society and medical field. The research findings of neuropsychiatric disorders based on magnetic resonance imaging technology have greatly advanced the objective diagnosis of neuropsychiatric disorders. ADHD classification based on magnetic resonance neuroimaging is one of the research hot topics. However, the performance of classification is not satisfactory and has big room for improvement. Therefore, this project aims at multimodal MRI feature fusion classification of ADHD using cluster-based oversampling and structured sparse representation. The main works include three aspects: (1) extracting the texture features of localized brain regions from structural MRI data and frequency-specific functional connectivity features from rest state fMRI data; (2) against the problem of imbalanced samples, using cluster-based oversampling to construct the blocks in the same class and proposing structured sparse representation with training dictionary structure for ADHD classification. This classification model is used to select the discriminative structural and functional features; (3) implementing the feature-level fusion of structural and functional features to boost the classification performance employing random matrices that could retain original information with a few projections. The project would facilitate the objective diagnosis of ADHD based on magnetic resonance imaging technology and has great significance of fundamental research and clinic application value.

注意缺陷多动障碍(ADHD)的准确诊断和及时治疗日益受到社会和医学界的广泛关注。利用磁共振影像(MRI)技术研究神经精神疾病所取得的研究成果极大地促进了神经精神疾病的客观诊断。目前基于磁共振神经影像的ADHD分类是当前的研究热点之一，但是分类性能很不理想，有很大的提升空间。因此，本项目研究基于聚类过采样和结构稀疏表达的ADHD多模态MRI特征融合分类。主要研究结构MRI的局部脑区纹理特征提取和静息状态fMRI频率特定的功能连接特征提取；针对样本分布不平衡问题，通过基于聚类的过采样方法构建类内子块，研究考虑训练词典结构的结构稀疏表达进行ADHD分类，并用于选出有利于分类的结构特征和功能特征；最后利用随机矩阵以少量投影保留原始信息的特点来实现特征级融合，提升分类性能。本项目有助于推动MRI神经影像技术对ADHD疾病的客观诊断，具有重要的基础研究意义和临床应用价值。

发育性神经精神疾病的准确诊断和及时治疗日益受到社会和医学界的广泛关注。利用磁共振影像技术研究神经精神疾病所取得的研究成果极大地促进了神经精神疾病的客观诊断。由于发育性神经精神疾病的复杂性和内在异质性，基于磁共振神经影像数据研究发育性神经精神疾病分类尚处在初步探索阶段。本项目基于磁共振神经影像数据重点研究特征提取和分类决策两方面的问题，主要研究了功能和结构磁共振影像特征提取、不平衡数据分类和特征融合。（1）功能磁共振影像特征提取主要从网络级特征、连接特征和时频特征来研究。提出了一个新颖的基于多网络的框架来增强功能连接网络表达，融合多个网络中传达的共同和互补信息，分类性能明显超过单网络方法。还提出了一个多级特征选择方法来细化静息态功能连接特征的选择，识别自闭症的准确率为84.78%，识别出了22个功能连接特征。此外，利用Gabor变换方法从静息态功能磁共振时间序列中提取频率特定的脑功能连接特征，以捕捉复杂而微小的病理模式。结果表明自闭症和正常人的差异只在特定频带比较显著。（2）结构磁共振影像特征提取借助独立分量分析的稀疏编码特性，从结构磁共振影像中提取稳定的有利于分类的局部脑区纹理特征。实验结果表明ADHD儿童与正常儿童之间的结构磁共振影像差异不太显著。（3）利用聚类过采样方法解决大脑影像数据不平衡分类问题。通过聚类过采样方法使最终数据集包含相同数目的多数类和少数类，增强了对少数类的表达，有效地解决了由于数据不平衡而产生的性能下降。（4）特征级融合能最大程度地保留原始信息提高分类性能。为了结合功能和结构磁共振影像的互补信息，利用弹性网实现功能和结构磁共振影像的特征级融合，提高了分类性能。本项目的研究是对大脑磁共振神经影像信息的深度挖掘，有潜力发现发育性神经精神疾病的客观生物标记，帮助理解疾病的神经机制，同时也为多模态磁共振神经影像技术在其它神经精神疾病的分类提供借鉴，具有重要的基础研究意义和实际应用价值。