基于动态脑网络稀疏建模及多模态影像融合的轻度认知障碍诊断研究

Mild cognitive impairment (MCI, pre-dementia) is 10 times more likely to be converted to Alzheimer's disease (AD) than normal people. Early and accurate diagnosis of MCI is essential for the prevention and treatment of dementia such as AD. With the development of neuroimaging techniques, the association between the exploration of brain dysfunction and structural damage associated with brain diseases from multimodal brain imaging data has received wide attention. Based on the advanced research of machine learning, this project proposes to fully exploits the inherent information and prior knowledge of multimodal data, and establishes the dynamic brain network construction and multimodal data fusion model for early diagnosis of MCI. Specifically, in this project we will: 1) construct the dynamic sparse brain network model based on manifold learning and multi-task fusion, which is used to describe the high-order dynamic interactivity of brain regions, and overcome the defects of the existing method to only describe the static pair-wise interaction between brain regions the; 2) consider the feature extraction of multimodal brain network data, and mine the diversity characteristics of multimodal data from different levels such as functional connection and organizational structure; 3) design the feature dimension reduction algorithm for complex network based on structure preservation principle, and use the kernel method to fuse multimodal features for early diagnosis of MCI. The study of this project will contribute to the theory and method of multimodal brain network analysis, and is also expected to achieve practical application results.

轻度认知障碍（MCI，痴呆前期）转化为阿尔兹海默症（AD）的概率为正常人的10倍，及早准确地诊断出MCI，对防治AD等痴呆症至关重要。随着神经影像技术的发展，从多模态脑影像数据中探索脑功能障碍与脑疾病相关的结构性破坏之间的关联受到广泛关注。本项目基于机器学习的最新研究成果，充分挖掘多模态数据自身固有信息以及先验知识，建立面向MCI早期诊断的多模态数据融合和脑网络构建模型。具体研究包括：构建基于流形保持和多任务融合的动态脑网络结构化稀疏模型，用于刻画脑区间高阶动态的交互性，克服现有方法仅刻画脑区间静态的二阶关系的缺陷；研究面向多模态脑网络数据的特征提取，从功能连接和组织结构等不同层面挖掘多模态数据的多样性特征；基于结构保持原则研究复杂网络特征维度约简算法，利用核方法融合多模态特征应用于MCI早期诊断。本项目的研究将对多模态脑网络分析的理论与方法有所贡献，而且有望能取得实际的应用成果。

在我国，人口老龄化导致的阿尔茨海默病患病率、病死率无论在患者绝对数量和相对增加比例上，都在世界前列。随着生活节奏加快和社会竞争日益激烈，精神疾病如精神分裂症的发病或危害大幅度增加。由于脑重大疾病的危害性，世界各国都把研究脑疾病作为医疗与健康政策中最优先考虑的项目之一。目前，脑疾病诊断是人工智能与神经科学交叉研究的新热点。随着神经影像技术的发展，功能磁共振成像（fMRI）数据的定量分析可以提供有价值的生物标志物，有助于脑疾病的临床诊断，功能连接分析已成为主要方法。另外从多模态脑影像数据中探索脑功能障碍与脑疾病相关的结构性破坏之间的关联受到广泛关注。基于机器学习以及深度学习的最新研究成果，充分挖掘多模态数据自身固有信息以及先验知识，建立面向脑疾病辅助诊断的动态脑网络构建及多模态数据融合分类模型。在本项目执行期间，项目组成员针对主要研究内容从脑网络建模和多模态数据融合分类等角度开展了相关研究工作，取得了阶段性研究成果。目前，已发表学术论文9篇，其中SCI收录论文6篇，有4篇影响因子大于5，EI收录论文1篇。此外，在项目的资助下，项目组成员参加了多场国内举办的重要学术会议；培养和协助培养硕士研究生6人，已毕业1人。本项目是跨学科的交叉基础研究，研究成果在帮助临床医生及时诊断和干预脑疾病治疗方面，具有重要的临床意义。

内容获取失败，请点击重试