基于多模态脑图像的老年痴呆症早期诊断关键技术研究

早期诊断对于老年痴呆症的有效防治具有重要意义。本研究旨在运用模式识别、机器学习、以及医学图像分析技术，结合大规模老年痴呆症多模态、多时间点的纵向跟踪研究脑图像数据集，开发具有高特异性，高灵敏度的老年痴呆症早期诊断和疾病状态定量评测新方法，并建立起高质量的计算平台。研究内容包括：1）偏差最小化脑图像空间标准化技术；2）图像特征提取与选择新方法;3)基于贝叶斯学习的非参数多目标函数概率估计方法统一框架下的图像统计分类与回归建模策略。本项目突破传统基于图像分类的老年痴呆症早期诊断方法，建立图像分类与统计回归分析的统一框架，将统计分析方法与领域知识有机结合，从根本上克服现有方法的局限性，将为基于医学图像的疾病早期诊断提供共性方法与技术。

老年痴呆症，又称阿尔茨海默病 (Alzheimer's Disease, AD)，是一种常见的神经退行性疾病。由于目前尚无特效方法治疗或逆转AD所导致的脑损害，早期发现和早期干预AD具有重要意义。AD临床诊断主要依据是患者的病史及其临床症状表现，目前尚无确定性的临床诊断标准,急需确切、可信赖的生物学指标。脑影像技术对于检测退行性脑结构与脑功能的变化具有很好的应用前景，因而基于医学影像学技术的AD早期诊断已经成为当前的研究热点。本项目围绕实现老年痴呆症早期诊断目标，以发展高效脑影像处理及模式分类方法为主要研究内容，在偏差最小化脑图像空间标准化技术、图像特征提取与选择方法及图像统计分类等方面都取得了进展，提出了一系列脑影像分割、配准及分类新方法，并将其成功应用于老年痴呆症早期诊断研究与其他神经精神疾病及脑发育研究。