目前阿尔茨海默病(AD)尚无有效的防治方法,早期临床干预可以延缓其进展,改善预后.然而现有的方法只考虑从群体关系中学习到的神经影像学特征而不考虑被试的个体特征.本研究设计了一种新颖的多模态多通道稀疏图变换网络(MSGTN)以期实现早期AD识别.首先,获取并处理每个被试者的影像信息[如弥散张量成像(DTI)和功能磁共振成像(fMRI)等]以及其相应的非影像信息(如年龄、性别等);其次,利用局部加权聚类系数(LWCC)将功能信息和结构信息进行融合,并将已融合的多模态影像特征与受试者的性别和年龄信息相结合来构建稀疏图;最后,将构建的稀疏图输入所设计的MSGTN网络模型用于早期AD识别.从公共数据库ADNI上获得共170个受试者,其中38个晚期轻度认知障碍(LMCI)患者,44个早期轻度认知障碍(EMCI)患者,44个显著记忆下降(SMC)患者和44个正常对照(NC).结果表明,SMC与NC的准确度为87.02％,EMCI与NC的准确度为87.40％,LMCI与NC的准确度为91.49％,SMC与EMCI的准确度为88.93％、SMC与LMCI的准确度为86.74％、EMCI与LMCI的准确度为92.12％.所提出的诊断模型不仅能够分析出NC与3种不同早期AD疾病状态,而且在3种不同早期AD疾病状态中也取得了优越的分类性能.

目的:提出紧框架下的心肌灌注-正电子发射断层成像(myocardial perfusion-positron emission tomography,MP-PET)图像恢复方法,克服MP-PET重建图像受噪声影响极大、图像质量严重退化等问题.方法:结合低秩稀疏分解理论对MP-PET图像进行分离,利用目标图像的紧框架变换系数具有稀疏性的特点对MP-PET图像进行稀疏约束,从而恢复图像质量.结果:采用计算机仿真实验数据进行验证,多种量化指标均表明该方法的恢复效果较优.结论:比起单一引入约束的方法,紧框架下的MP-PET图像恢复方法具有优质恢复效果.

医学核磁共振图像重构技术是核磁共振成像领域的关键技术之一.压缩感知理论指出利用核磁共振图像的稀疏性能够从高度欠采样的观测值中精确重构图像.如何利用图像的稀疏性先验以及更多的先验知识来提高重构质量成为核磁共振成像的一个关键问题.本文根据综合稀疏模型和稀疏变换模型的相互补充作用,利用核磁共振图像在这两种模型下的稀疏性先验,将结合了综合稀疏模型与稀疏变换模型的双稀疏模型应用于压缩感知核磁共振图像的重构系统,提出了一种融合双字典学习的自适应图像重构模型.本文充分利用了图像在自适应综合字典学习和自适应变换字典学习下的两种稀疏先验知识,使用交替迭代最小化法对提出的模型进行分阶段求解,求解过程中引入了综合K-奇异值分解(K-SVD)算法和变换K-SVD算法.通过实验验证,与目前较好的核磁共振图像重构模型对比,本文提出模型的图像重构效果更好、收敛速度更快,且具有更好的鲁棒性.

总变差(TV)最小化模型目前已广泛应用于图像重建领域,其通过最小化一阶图像梯度大小变换的L1范数实现,能在稀疏投影采集下得到精确的重构.然而,TV模型是基于分段平滑的图像的假设提出的,有时会产生阶梯效应.研究发现,高阶总变差(HOTV)模型可以有效压制阶梯效应,提高重建精度.此外,TpV模型使用Lp范数来逼近L0范数,有望进一步提高稀疏重建能力.鉴于此,本文将HOTV模型与TpV模型结合,提出一种新的高阶TpV(HOTpV)重建模型,采用自适应梯度下降-投影到凸集(ASD-POCS)算法进行求解,分别在理想和有噪声条件下对灰度渐变仿真模体以及真实CT图像仿真模体进行稀疏重建实验.实验结果显示,相比于TV、TpV以及HOTV三种重建模型,HOTpV能得到精度最高的图像.

针对运动想象脑电信号特征提取操作繁琐及解码精度低等问题,提出一种基于多视角深度森林的运动想象脑电解码算法.首先,通过子频带滤波及时间窗口划分对原始信号进行细粒度分析,生成空时频能量特征.然后,对上述空时频能量特征分别进行稀疏选择和时序扫描得到重要的浅层能量特征及多示例先验类别特征.继而,将上述两类特征进行融合构建运动想象脑电多视角特征集.最后,利用级联森林的逐层特征变换挖掘深层次的抽象特征进行脑电解码.根据脑机接口竞赛数据和自行采集的数据进行算法测试,并与单视角特征模型、传统共空间模式方法以及深度神经网络算法进行对比.在2个脑机接口竞赛数据集和1个真实数据集上分别取得了91.4％、75.2％和70.7％的最高平均分类准确率,结果表明该文所提多视角深度森林算法具有更优的分类识别准确率.