摘要: 注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder, ADHD）是一种孩童期常见的精神障碍疾病。目前，ADHD的诊断大多采取问卷和量表的形式，有很大程度的主观性。ADHD的客观诊断方法主要是基于磁共振成像（Magnetic Resonance Imaging, MR... 展开 注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder, ADHD）是一种孩童期常见的精神障碍疾病。目前，ADHD的诊断大多采取问卷和量表的形式，有很大程度的主观性。ADHD的客观诊断方法主要是基于磁共振成像（Magnetic Resonance Imaging, MRI）数据。临床上医生通过重复筛选MR图像来诊断ADHD。但由于正常人和ADHD患者的MR图像差异很小，临床上较难准确地判别，易发生误诊和漏诊现象。因此，本文利用MR图像和机器学习（Machine Learning, ML）方法来实现ADHD图像的自动判别，提出了基于机器学习的ADHD图像分类方法。主要研究工作如下： （1）基于经典机器学习的ADHD分类。主要研究了支持向量机和神经网络算法对ADHD分类。实验数据集来自ADHD-200竞赛数据库，采用交叉验证来训练和测试模型。 （2）基于ROI-CNN模型的ADHD分类。由于不同大脑模式图像强度的高度相似性，本文引入了有效的感兴趣区域提取（Region of Interest, ROI）策略用于初始的特征选择。主要研究了基于水平集和区域生长法的 ROI 精分割方法以及基于改进型模板匹配的ROI粗分割方法，并在ADHD-200竞赛数据集上取得了较好的分割效果。卷积神经网络（Convolution Neural Network, CNN）强大的学习能力可以更加深刻地解析大脑的认知功能。本文提出基于 2D-CNN 的方法实现了 ADHD 图像的特征提取及分类。通过构建不同的 CNN 模型以及采用数据扩增等防止过拟合的方法来验证和优化模型。 （3）基于3D-CNN的ADHD分类。为了有效地提取ADHD数据的深度空间信息，本文构建了3D-CNN模型，并将其成功应用于ADHD的自动诊断上。 以上实验结果表明：基于机器学习的方法可以较好地实现ADHD和正常人MR图像的自动分类。其中，基于ROI-CNN的方法分类准确率较高，模型泛化能力也较强。 收起