刘舜琪 谭 颖* 崔文植 闫士林 宋建成

1(西南民族大学计算机科学与技术学院 四川 成都 610041)2(杭州师范大学信息科学与工程学院 浙江 杭州 311121)

0 引 言

精神分裂症对人类的感知觉、思维、情感和行为等都有着严重的负面影响，多发于15～34岁人群。这种疾病具有早期可控、晚期反复发作及认知功能严重受损等特点[1]，尽早诊断治疗将减轻社会成本以及患者家庭负担。随着科学技术的快速发展，计算机辅助诊断已在大脑结构磁共振成像(Structural Magnetic Resonance Image,sMRI)研究中广泛应用，比如脑肿瘤分割[2]、阿尔兹海默症分类[3]和多动症诊断[4]等，同时也为精神分裂症的分类提供了有效方法。

从数学角度而言，辅助诊断即实现目标的分类。实现辅助诊断的分类算法目前主要为统计分析方法、机器学习和深度学习算法。统计分析方法中，t检验等参数分析法能有效应对小样本数据，但找到高维特征分类的最优决策边界较困难。机器学习算法解决了这一问题，因此对于具有小样本、高维特征特点的分类目标sMRI数据相对适用，其中支持向量机(Support Vector Machine,SVM)性能最佳。在2014年至2018年间，超过55%的大脑疾病神经影像研究中使用了SVM[5]。Lu等[6]的精神分裂症sMRI研究计算了各个大脑感兴趣区域(Regions of interest,ROI)的灰质和白质体积，并将两者间的显著差异作为输入特征，利用SVM分类。Liu等[7]通过测量大脑每个ROI的皮质厚度，构建分层脑网络，提取网络的节点及边缘特征，输入到SVM中实现精神分裂症辅助诊断。相同地，将这些机器学习算法、统计分析方法应用于sMRI辅助诊断的研究都需要人的先验知识去设计特征。……