基于时序区分子图的阿尔茨海默症辅助诊断方法

doi:10.12068/j.issn.1005-3026.2022.08.004

东北大学学报（自然科学版） ›› 2022, Vol. 43 ›› Issue (8): 1089-1096.DOI: 10.12068/j.issn.1005-3026.2022.08.004

基于时序区分子图的阿尔茨海默症辅助诊断方法

信俊昌，郭恩铭，张嘉正

(东北大学计算机科学与工程学院，辽宁沈阳110169)

修回日期:2022-01-30 接受日期:2022-01-30 发布日期:2022-08-11
通讯作者: 信俊昌
作者简介:信俊昌(1977-)，男，辽宁辽阳人，东北大学教授，博士生导师.
基金资助:
国家级大学生创新创业训练计划资助项目(210186)；中央高校基本科研业务费专项资金资助项目(N2124001，N210186).

Aided Diagnosis Method of Alzheimer’s Disease Based on Sequential Discriminative Subgraph

XIN Jun-chang， GUO En-ming， ZHANG Jia-zheng

School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China.

Revised:2022-01-30 Accepted:2022-01-30 Published:2022-08-11
Contact: GUO En-ming
About author:-
Supported by:
-

摘要/Abstract

摘要： 为解决现有区分子图方法在解决阿尔茨海默症辅助诊断上忽略脑网络动态连接变化的问题，提出一种基于时序区分子图的辅助诊断方法.将功能磁共振成像经过处理后形成二值矩阵并使同一测试者的多张动态脑网络形成时序差异图，之后进行频繁差异子图挖掘、频繁差异序列挖掘，进而筛选出保留脑网络时序特性的生物标记物——时序区分子图.获取ADNI公开数据集的一组数据进行实验，通过与现有的早期阿尔茨海默症辅助诊断方法进行大量的实验对比，证明本文方法的辅助诊断准确率在该数据集上提高了12.7%，进而证明所提方法的有效性.

关键词: 阿尔茨海默症；时序区分子图；动态脑网络；功能磁共振成像；gSpan算法

Abstract: In order to solve the problem of ignoring the dynamic connection changes of the brain network in the aided diagnosis of Alzheimer’s disease by the existing discriminative subgraph method， an aided diagnosis method based on the sequential discriminative subgraph was proposed. The functional magnetic resonance imaging (fMRI) is processed to form binary matrices， and multiple dynamic brain networks of the same subject form sequential difference graphs， and then frequent subgraph mining and frequent sequence mining are performed to screen out biomarkers(sequential discriminative subgraph)that retain the time sequence characteristics of the brain network. A set of data from the ADNI public data set was obtained for experiments， and a large number of experimental comparisons were conducted with the existing early Alzheimer’s disease aided diagnosis methods， which proves that the aided diagnosis accuracy of this method is improved by 12.7% on this data set and the effectiveness of the proposed method.

Key words: Alzheimer’s disease; sequential discriminative subgraph; dynamic brain network； functional magnetic resonance imaging(fMRI)； gSpan algorithm

中图分类号:

TP391

信俊昌，郭恩铭，张嘉正. 基于时序区分子图的阿尔茨海默症辅助诊断方法[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1089-1096.

XIN Jun-chang， GUO En-ming， ZHANG Jia-zheng. Aided Diagnosis Method of Alzheimer’s Disease Based on Sequential Discriminative Subgraph[J]. Journal of Northeastern University(Natural Science), 2022, 43(8): 1089-1096.

参考文献

[1]李楠，许均瑜.蛋白质组学对于阿尔茨海默症诊断标记物筛选的研究进展［J］.基因组学与应用生物学，2016，35(5):1108-1114.(Li Nan，Xu Jun-yu.Proteomic screening for biomarkers of Alzheimer’s disease［J］.Genomics and Applied Biology，2016，35(5):1108-1114.)
[2]Jo T，Nho K，Saykin A J.Deep learning in Alzheimer’s disease :diagnostic classification and prognostic prediction using neuroimaging data［J］.Frontiers in Aging Neuroscience，2019，11:1-14.
[3]Jie B，Zhang D，Wee C Y，et al.Topological graph kernel on multiple thresholded functional connectivity networks for mild cognitive impairment classification［J］.Human Brain Mapping，2014，35(7):2876-2897.
[4]汪新蕾，王之琼，王中阳，等.面向阿尔茨海默病的脑网络多频融合图核［J］.计算机学报，2020，43(1):64-77.(Wang Xin-lei，Wang Zhi-qiong，Wang Zhong-yang，et al.Multi-frequency fused graph kernel of brain network for Alzhemier’s disease［J］.Chinese Journal of Computers，2020，43(1):64-77.)
[5]Nguyen M，He T，An L J，et al.Predicting Alzheimer’s disease progression using deep recurrent neural networks［J］.NeuroImage，2020，220(10):117203.
[6]Mansu K，Jaesik K，Jeffrey Q，et al.Interpretable temporal graph neural network for prognostic prediction of Alzheimer’s disease using longitudinal neuroimaging data［C］//BIBM 2021.Houston，2021:1381-1384.
[7]Cao B K，Zhan L，Kong X N，et al.Identification of discriminative subgraph patterns in fMRI brain networks in bipolar affective disorder［C］//International Conference on Brain Informatics and Health.London，2015:105-114.
[8]Kong X，Yu P S，Wang X，et al.Discriminative feature selection for uncertain graph classification［C］// SIAM International Conference on Data Mining.Austin，2013:82-93.
[9]Yan X，Han J.gSpan:graph-based substructure pattern mining［C］// 2002 IEEE International Conference on Data Mining.Maebashi:IEEE，2002:721-724.
[10]Mrzic A，Meysman P，Bittremieux W，et al.Grasping frequent subgraph mining for bioinformatics applications［J］.BioData Mining，2018，20(11):181-189.
[11]Suresh A T，Jereesh A S.Associated subgraph mining in biological network［C］// 2017 International Conference of Electronics，Communication and Aerospace Technology(ICECA).Coimbatore，2017:80-85.
[12]Fischl B，Satal D H，Busa E，et al.Whole brain segmentation:automated labeling of neuroanatomical structures in the human brain［J］.Neuron，2002，33(3):341-355.
[13]Tzouriomazoyer N，Landeau B，Papathanassiou D，et al.Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain［J］.Neuroimage，2002，15(1):273-289.
[14]卢思成.基于动态网络的阿尔茨海默病计算机辅助诊断［D］.沈阳:东北大学，2019.(Lu Si-cheng.Computer-aided diagnosis of Alzheimer’s disease based on dynamic network［D］.Shenyang:Northeastern University，2019.)
[15]Benesty J，Chen J，Huang Y，et al.Pearson correlation coefficient［C］//Noise Reduction in Speech Processing.Berlin，Heidelberg:Springer，2009:1-4.

基于时序区分子图的阿尔茨海默症辅助诊断方法

Aided Diagnosis Method of Alzheimer’s Disease Based on Sequential Discriminative Subgraph

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	庞彦伟，苏畅，龙涛. 自适应构造与聚合多尺度代价体的双目立体匹配[J]. 东北大学学报（自然科学版）, 2023, 44(4): 457-468.
[2]	丁其川，王力，刘成. 融合长距离信道注意力与病理特征的肺结节分类[J]. 东北大学学报（自然科学版）, 2023, 44(4): 476-485.
[3]	李海燕，熊立昌，郭磊，李海江. 基于U-net边缘生成和超图卷积的两阶段修复算法[J]. 东北大学学报（自然科学版）, 2023, 44(3): 331-339.
[4]	杨丹，刘国如，任梦成，裴宏杨. 多尺度卷积核U-Net模型的视网膜血管分割方法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 7-14.
[5]	韩东红，张宏亮，朱帅伟，齐孝龙. 面向新浪微博的情感社区检测算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 21-31.
[6]	原培新，陈鼎夫. 双能X射线高动态范围安检图像压缩算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 96-101.
[7]	魏颖, 徐楚翘, 刁兆富, 李伯群. 基于生成对抗网络的多目标行人跟踪算法[J]. 东北大学学报（自然科学版）, 2020, 41(12): 1673-1680.
[8]	李稷，徐安军. 炼钢车间多天车动态调度仿真方案[J]. 东北大学学报:自然科学版, 2020, 41(12): 1699-1707.
[9]	李占山，吕艾娜. 基于新冗余度的特征选择方法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1550-1556.
[10]	王鑫，王翠荣，王聪，苑迎. 双通道多感知卷积神经网络图像超分辨率重建[J]. 东北大学学报:自然科学版, 2020, 41(11): 1564-1570.
[11]	张春雷，戴丽，刘宇，李鹤. 基于三点法和ICP算法的手术导航系统患者配准[J]. 东北大学学报:自然科学版, 2020, 41(11): 1584-1590.
[12]	陈剑，何涛，闻英友，马林涛. 基于BERT模型的司法文书实体识别方法[J]. 东北大学学报:自然科学版, 2020, 41(10): 1382-1387.
[13]	张田，田勇，王子，王昭东. 基于清晰度评价的自适应阈值图像分割法[J]. 东北大学学报:自然科学版, 2020, 41(9): 1231-1238.
[14]	张丽杰，刘建昌，谭树彬. 复杂建筑火灾中的人员疏散路径多目标规划[J]. 东北大学学报:自然科学版, 2020, 41(6): 761-766.
[15]	赵海，周冰玲，朱宏博，窦圣昶. 基于连续最大流的三维肺实质快速分割算法[J]. 东北大学学报:自然科学版, 2020, 41(4): 470-474.