精神分裂症是以思维、情感与行为的分裂为主要特征的一类复杂精神疾病,国内外大量研究发现遗传因素是该疾病发生的重要原因.为了能够从大量影像学和遗传学数据中找出精神分裂症相关的生物标记物,受稀疏表示的启发,提出一种基于稀疏表示的影像遗传学数据整合分析方法,并应用于对精神分裂症相关生物标记物的筛选.针对从208个样本中提取到的41 236组fMRI和722 177组SNP数据,通过对传统稀疏表示模型施加广义惩罚限制,然后对两类数据施加不同的权重因子α1、α2,并且使用不同的LP(P=0、0.5、1)范数对模型分别求解,研究不同条件下两类数据的显著关联特征规律.结果发现,基因DAOA和HTR2A在下列多重情况下均被筛选出:一是fMRI数据的权重α1取0.35 ～0.8之间多个不同权重时,二是SNP数据的权重α2仅为0.2时,三是在Lo、L0.5、L1等3种不同范数下.此外,在影像学数据方面,发现顶下缘角回脑区也与精神分裂症相关,此发现与先前精神分裂症的影像学研究结果一致.研究结果表明,将基于稀疏表示的影像遗传学数据整合分析方法应用于精神分裂症的生物标记物筛选是一个可行的方法,这为今后精神分裂症的影像遗传学研究提供了一种新的研究思路.

为实现对精神疾病的计算机辅助诊断与预后,利用机器学习与图像处理技术分析多地区精神疾病的核磁共振成像数据,已成为该领域的必然趋势.本文首先提出切片提取的核磁共振成像图像预处理方法,然后提取图像的纹理特征,最后提出一种lp范数正则化的多任务学习支持向量机精神分裂症分类方法,同时学习3个数据中心精神分裂症图像的共享特征和各自独有的特征,用于分类精神分裂症患者和正常人.实验结果表明,该方法取得了优秀的诊断精度,可为精神分裂症患者的临床诊断与治疗提供生物学依据.

背景:稀疏角度投影重建是减小CT辐射剂量的有效方法,但因其重建质量的问题限制了该方法的应用.目的:研究基于LP范数的交替方向乘子-CT重建算法,旨在提高稀疏角度下的重建质量.方法:将CT重建模型中的全变分正则项替换为非凸非光滑的LP范数正则项,并利用增广拉格朗日法将约束问题转化为无约束问题,再利用交替方向乘子框架结合广义收缩算法将原优化模型拆分为等价于原问题的子问题,最后迭代求解各子问题.结果与结论:①通过仿真及实际实验,对比分析了全变分-凸集投影、代数重建-LP、Split-Bregman-LP以及所提算法在36个稀疏角度下的重建结果,结果显示论文提出的算法重建图像细节更完整,均方根误差更低,而且速度比Split-Bregman-LP快1倍;②说明提出的基于LP范数的交替方向乘子-LP算法,在投影角度稀疏情况下的重建结果具有较高的重建精度.

目的:采用影像遗传学研究方法探索精神分裂症的影像遗传学特征.方法:在传统稀疏回归模型的基础上,改进了其在不同范数条件下进行变量选择的能力,形成一种基于稀疏表示变量选择算法,并将该算法应用于208个受试者的41236个功能磁共振成像数据和722177个单核苷酸多态性数据的综合分析.通过对两类数据施加不同的权重因子,并使用不同的Lp(p=0、0.5、1)范数分别对模型进行求解,筛选出两类数据在不同条件下的显著特征.结果:基因DAOA和HTR2A在3种范数下均被筛选出.此外,在影像学数据方面,发现中央前回、枕上回、顶下缘角回、角回、内侧和旁扣带脑回、后扣带回脑区与精神分裂症相关,此发现与先前精神分裂症的临床医学研究结果一致.结论:基于稀疏表示变量选择方法应用于影像遗传学数据分析是一个有效可行的途径,为今后精神分裂症的影像遗传学研究提供了一种新的研究思路.

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.