AD(阿尔茨海默病)诊断初解

本篇博文主要参考来源于太原理工大学硕士研究生秦嘉玮的硕士学位论文《MRI 结构特征选择方法及 AD 早期诊断的应用研究》，也是博主的AD第一篇学习论文。在本文中主要介绍AD诊断的背景及其特征选择方法。

1. AD诊断的背景
2. 特征选择的基础理论
3. 启发式搜索特征选择模型
4. MRI数据预处理

写了这篇论文笔记之后我再也不会写学位论文笔记了，简直是太长了，要写就写他对应的学术论文的笔记了，这样创新点比较容易get，只用写结构和它的创新点就行了！不然还得分析一大堆！

AD的背景及其研究现状

阿尔茨海默病（Alzheimer’s Disease，AD），又称老年痴呆症，这种疾病会影响患者的记忆力、理解力、认知能力等等，给家庭和社会带来很大负担，而且病因和发病机制还不明确，目前没有有效的治疗方法。轻度认知障碍（Mild Cognitive Impairment，MCI）是 AD 的早期过程。有研究发现对 MCI 患者或者早期 AD 患者进行药物干预，可以改善症状、缓解病情。因此，对 MCI、AD 患者的早期诊断显得尤为重要。
核磁共振成像是常用的一种 MCI、AD 诊断技术，但受到技术限制，MCI、AD 的MRI 图像目前还主要依靠医生经验人工判断，尚未实现自动诊断。如何实现 MCI、AD的自动诊断是计算机、人工智能、医学影像等相关领域的研究热点之一。通过对 MRI图像的深入研究，挖掘其包含的有用信息，可以得到灰质体积、白质容积、脑脊液容积等大量的脑结构信息。那么，如何将这些特征运用到 MCI、AD 的分类研究中就成了提高其诊断准确率的关键。

由于脑部结构比较复杂，对于需要的特征进行选择这是研究的重点，也是难点。特征有“无关特征”（与当前学习任务无关）和“冗余特征”（所包含的信息可以从其他特征推演出来）！对于已知类型的样本进行特征选择无外乎以下几种：基于错误率进行选择，根据分类器的错误率从原始特征中选择数目固定的特征子集，错误率最小的特征即为最优特征子集；基于维度进行特征选择，即规定一个分类器的错误率，从原始特征中选择维度最小的特征子集；在二者之间做一个折中，考虑错误率和特征维度两方面因素。

近年来，特征选择算法的研究飞速发展，其关键在于研究特征选择与特征提取相融合的特征选择算法、筛选出分类效果最优的特征子集以及研究如何将 Filter 过滤式模型和 Wrapper 封装式模型（下一节介绍这2个模型）更好融合这三方面。