基于经颅超声多模态影像信息融合的帕金森病早期辅助诊断模型研究

The Parkinson's disease (PD) has been a great threat to middle-aged and elderly population, and its early diagnosis is crucial for future treatment. Transcranial sonography (TCS) based computer-aided diagnosis (CAD) for early detection of PD has become a hot topic due to its high sensitivity and specificity for early PD diagnosis. However, the performance of single modality TCS based CAD for PD is still far from real clinical practice. In this project, we propose a multi-modality TCS based CAD, which fuses together the B-mode structure imaging and Doppler function imaging for early diagnosis of PD. The features extracted from structural and functional modalities will be integrated with multi-view learning methods. However, the mis-alignment in time between the two different modality features and the large discrepancys between their feature dimensionalities make it difficult for most of the existing method to be able to handle feature fusion of the two modalities. Therefore, we propose to study new multi-view learning paradigms for this specific problem. Based on the theories and methods of co-sparse representation, multiple kernel learning and deep learning, we study the structural joint co-sparsity model, and the theory and method of sparse multiple kernel entropy component analysis so as to reduce the dimensionalities of multi-modality features and fuse them together. We also study the theory and method for multi-layer multiple kernel support measure machine in the space of probability distributions to perform classification with multi-modality features. Finally, we study multi-modality TCS based CAD for early PD with these new multi-view learning methods.

帕金森病（PD）严重威胁中老年人群身体健康，其早期诊断至关重要。经颅超声（TCS）成像对PD早期诊断具有较高的敏感性和特异性，基于TCS的PD早期辅助诊断研究已是热点。由于单一模态TCS的辅助诊断性能尚不能满足临床要求，本项目提出融合TCS结构成像和多普勒功能成像的PD早期辅助诊断模型，研究多视图学习理论与方法，对多模态影像特征进行从结构到功能的数据融合与整合计算分析。然而，TCS不同影像特征之间时序不对应、特征维数差距大，需要针对多视图特征的不一致性问题研究新的多视图学习理论与方法。因此，本项目基于协同稀疏表示、多核学习、深度学习等理论和方法，研究结构化联合协同稀疏模型、稀疏多核核熵成分分析理论与方法，对TCS多模态特征进行降维与融合；研究概率分布空间的多层多核支持测度机的理论与方法，对TCS多模态影像特征进行模式分类；最终研究建立基于TCS多模态影像信息融合的PD早期辅助诊断模型。

神经影像技术能够反映大脑的结构、功能等信息，提供直观、可靠的帕金森病（Parkinson’s disease，PD）临床诊断依据。经颅超声（Transcranial Sonography，TCS）成像具有实时成像、无损伤、无辐射、检查费用低、患者依从性要求低等优点。同时，大量研究表明PD患者的中脑黑质在经颅B-型超声（Transcranial B-mode Sonography，TBS）图像呈现异常高亮回声。因此，基于TBS的PD检查诊断在临床上已经开始应用，而基于TBS图像的PD计算机辅助诊断（Computer Aided Diagnosis，CAD）也获得了广泛的关注。另一方面，TCS还包括了另一中成像模式，即经颅多普勒超声（Transcranial Doppler Sonography，TDS）成像。TDS能检测颅内脑底主要动脉的血流动力学及血流生理参数，也已经开始应用于PD诊断研究。本项目主要研究基于多模态TCS的PD的CAD模型，通过融合互补的TBS脑结构信息与TDS脑血流功能信息，提升PD诊断的准确性。本项目的主要创新包括：（1）提出了基于单模态TDS的PD的CAD模型；（2）进一步提出结合TBS与TDS的基于双模态TCS的PD的CAD模型。据调研，目前国内外鲜有文献报道基于TDS的PD辅助诊断方面的研究。通过本项目研究，提出了多种针对单模态、多模态TCS数据的特征学习和模式分类算法。在已发表的论文和申请的专利中，以下几个方面提出了较有特色的算法：（1）提出了稀疏核熵成分分析算法和多核核熵成分分析算法，有效实现特征降维；（2）提出了基于联合协同表示模型的多视图学习算法，有效融合多视图特征；（3）提出了多种基于深度多项式网络深度学习算法的改进算法，特别是栈式深度多项式网络算法，有效实现基于小数据集的特征表达学习；（4）提出了多模态栈式深度多项式网络算法，有效融合多模态/多视图数据特征，提升特征表达能力；（5）提出了深度网络映射大间隔分布机分类器算法，将深度学习与分类器相结合，提升分类器性能；（6）提出了层叠多列RVFL+分类器算法，将传统的基于特权信息学习模式的分类器推广至可实现单一模态TBS分类，而无需额外的特权信息模态。本项目研究不仅探索证实了基于单模TDS和双模TCS的CAD的可行性和有效性，也为后续开展基于更多模态医学影像的PD辅助诊断奠定了基础。