14、脑疾病诊断与白质高信号分割算法研究

脑疾病诊断与白质高信号分割算法研究

1. 脑疾病诊断的新框架

在脑疾病诊断领域，提出了一种增强的学习使用特权信息（LUPI）框架，用于基于单模态神经影像的脑疾病诊断。该框架结合多模态训练数据，训练出更有效的分类器模型。

在两个数据集上的实验结果显示，基于LUPI的算法优于仅使用结构磁共振成像（sMRI）作为单模态的传统分类器模型。这是因为特权数据为支持向量机（SVM）分类器提供了额外信息，有助于训练出更具区分性的超平面。此外，提出的增强SVM+算法在性能上超过了所有对比算法，包括常用的基于层次特征分析（HFA）的迁移学习算法，这表明该增强LUPI框架在基于单模态神经影像的脑疾病诊断中具有潜力。

2. 白质高信号分割的背景与挑战

白质高信号（WMH）是大脑白质中在T2加权液体衰减反转恢复（FLAIR）磁共振（MR）图像上表现为高亮的区域，常见于老年人群和神经退行性疾病（NDs）患者，如血管性痴呆（VaD）、阿尔茨海默病（AD）和路易体痴呆（DLB）。临床上，WMH的数量通常用Fazekas评分来表征，但这种视觉评分方法对临床组间差异的敏感性较差，且存在较高的评分者内和评分者间变异性。

目前，自动精确分割和量化WMH的技术主要分为监督和无监督两类。监督方法如k近邻（kNN）、支持向量机（SVM）和随机森林等，依赖专家手动分割的训练样本，成本高、耗时长且可能存在误标记数据。无监督方法如模糊C均值聚类、基于期望最大化（EM）的算法等，不依赖标记数据，但在NDs患者的WMH分割中效果不佳，因为这些患者的WMH通常较小、不规则且异质性强。

3. 无监督一类学习（UOCL）

无监督一类学习（UOCL）是一种