神经图像处理与分析多尺度和结构化稀疏编码方法：阿尔茨海默病前期异常检查与预测中的应用

Data mining and high-performance computing are hot topics in divers research areas with broad application prospects. Meanwhile, the use of neuroimage processing and analysis techniques to analyze the composition and structure of brain tissue, and for the early diagnosis of Alzheimer disease, is an important interdisciplinary research topic. In the last few years, sparse coding theory and methods in signal and imaging science have been rapidly developed. While in specific application areas, especially in the field of data mining and machine learning, the related theory and algorithms are not well understood. The project aims to develop data-driven neuroimage processing and analysis methods based on sparse coding and multiscale analysis, study spatial-temporal redundancy and multiscale structure and develop efficient data analysis algorithms and high-performance computing implementation. Our ultimate research goal is to extract salient features and analyze brain functional evolution for Alzheimer's disease early abnormality detection and prediction.

海量数据挖掘和高性能计算是当前各个领域的热门研究课题，应用前景广阔。同时，利用神经图像分析技术来分析大脑的组织成分和结构，用于阿尔茨海默病早期辅助诊断，是一个重要的交叉学科研究课题。近几年来，稀疏编码的理论与方法在信号与图像科学中得到了迅速发展，但是在具体应用领域，特别是数据挖掘和机器学习领域的理论与算法都不太完善。本项目拟在负责人以及参加者的已有工作基础上，利用图像科学里面的多尺度和稀疏编码方法，发展数据驱动的图像处理与分析方法，研究单模态，多模态，纵向高维神经图像数据的时间空间冗余性，结构稀疏性和多尺度信息。 我们的研究目标是挖掘阿尔茨海默病脑部图像重要特征和功能演变，发展数据分析的高效算法和高性能计算实现，为阿尔茨海默病前期异常的检查与预测提供依据。

在本项目中，我们研究高维神经图像数据多尺度和稀疏编码方法，特征提取和在阿尔茨海默病前期异常的检查与预测中的应用。具体地，我们系统地研究了基于多尺度稀疏表达的3D 图像分割方法，实现了多区域图像分割和动态图像感兴趣区域的的快速提取。我们也系统地建立了几类病态动态医学成像稳健模型。利用公开数据库ADNI，我们获取了部分结构化MRI图像、FDG-PET图像和fMRI图像，通过前期预处理，提取了多尺度小波系数特征，进行了监督和半监督学习分析，为转化和非转化MCI的分类和特征分析提供依据。在图像和数据科学中的基础算法研究方面，我们也完成了图像和数据一类典型可分离凸问题原始对偶可分离算法的研究，也完成了基于L0正则化和贪婪稀疏提升算法的理论分析以及在稀疏学习中的应用。