基于3D卷积神经网络-感兴趣区域的阿尔茨海默症辅助诊断模型

磁共振(magnetic resonance imaging,MRI)图像的预测分类对早期阿尔茨海默症(Alzheimer′s disease,AD)的诊断非常重要。轻度认知障碍(mild cognitive impairment,MCI)作为AD的一种早期阶段,在诊断时存在大脑脑区萎缩区域不明确,诊断准确率偏低等问题。本研究提出一种基于感兴趣区域(regions of interest,ROI)的3D卷积神经网络(convolutional neural network, CNN)模型来解决AD分类准确率偏低等问题,进而实现对AD的计算机辅助诊断。实验数据均来自ADNI数据库,实验结果表明,基于ROI的3D CNN的AD辅助诊断模型在分类AD vs正常对照(normal control,NC)、MCI转化AD(MCI converted to AD,MCIc) vs NC和MCI未被转化AD(MCI not converted to AD,MCInc) vs MCIc的5折交叉验证平均准确率分别为85.2%、83.9%、68.5%。相比于传统的主成分分析+支持向量机方法和单纯的切片集成方法,本研究方法在AD辅助诊断中取得了更好的分类效果和泛化能力,还可为其他脑疾病诊断提供新思路。     

基于多模态典型相关特征表达的阿尔兹海默病诊断

对阿尔兹海默(AD)疾病进程的建模研究,有利于在其早期阶段--轻度认知障碍(MCI)进行更准确的诊断。不仅利用多模态影像数据,还分析模态间特征关系,用于增强与AD/MCI相关的特征表达能力。首先,基于典型相关分析融合不同模态间多个感兴趣区域并生成多模态关系特征表达;其次,基于稀疏最小二乘回归损失函数,以此获得稳定且有识别力的相关性表达特征;最后,使用交叉验证方法将随机选择的训练样本用于支持向量机分类模型,再对测试集受试者进行疾病阶段诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库的805位受试者,包括AD,MCI和正常受试者(NC)。此方法对于AD vs NC,MCI vs NC和p-MCI(进行性轻度认知障碍)vs s-MCI(稳定性轻度认知障碍)等3种不同类型数据,诊断结果分别为92.01%,74.83%和70.27%。与其他算法相比,分类准确率都有明显提高。表明所提出的方法能够有效应用于多模态数据对阿尔兹海默病的诊断分析研究。     

基于卷积循环神经网络的阿尔茨海默症早期诊断

早期准确诊断能延迟阿尔茨海默症(Alzheimer′s disease,AD)病情的恶化。磁共振成像(MRI)和正电子发射断层扫描(PET)已被证明有助于了解AD相关的解剖和功能性神经变化。近期研究表明,多模态特征的融合可以提高分类性能。本研究提出了一种基于卷积循环神经网络的多模态数据分类新框架,新框架结合了2D卷积神经网络和循环神经网络,以学习3D MRI和3D PET图像切分为2D切片序列之后的切片内、切片间特征,完成AD的早期诊断。本研究方法在AD与NC的分类实验中ACC为93.3%,AUC为98.1%;在MCIc与NC的分类实验准确率为83.8%,AUC为91.9%;MCIc与MCInc的分类实验准确率为79.0%,AUC为88.9%。结果表明该方法具有良好的分类性能。     

卷积神经网络在阿尔茨海默病诊断中的应用研究

随着深度学习技术在疾病诊断方面的广泛应用,尤其是卷积神经网络(CNN)在计算机视觉、图像处理方面的突出表现,越来越多的研究提出使用该算法实现阿尔茨海默病(AD)、轻度认知障碍(MCI)以及正常认知(CN)之间的诊断。本文系统地回顾了几种经典的卷积神经网络模型在该疾病不同阶段脑影像分析诊断方面的应用进展,进一步探讨了其存在的问题及研究方向,以期为该领域的研究提供一定的参考和借鉴。     

基于PiB PET图像感兴趣区域的阿尔茨海默症计算机辅助分析

阿尔兹海默症 (AD) 是一种不可逆的神经退行性疾病,PiB PET成像技术可用于AD的早期诊断。但是,目前临床基于PiB PET图像的AD诊断主要依靠医生视觉评估分析,其缺点为依赖医生经验且耗时,无法实现对患者病情的客观追踪,因此提出一种基于PiB PET图像的计算机辅助分析方法 (CAAD)实现AD诊断。使用基于阈值先验的3D格子玻尔兹曼技术分割ROIs,采用主成分分析 (PCA) 技术提取图像特征,最终采取基于支持向量机(SVM)多项式核模型对特征进行分类。通过对ADNI数据库和上海市华山医院PET中心的149个样本的PiB PET数据进行对比实验,该方法对于ROIs的分割后Dice系数平均准确率为91.53%±3.0%,最终对AD和正常老年组(HC)、轻度认知障碍组(MCI)和HC、AD/MCI和HC的分类准确率分别达到87.01%、93.04%和91.95%。与现有文献的AD计算机辅助诊断相比,所提出CAAD方法的准确率高出约10%。 实验结果表明,该方法能够很好地对AD、MCI和HC进行分类。     

基于中心化自动加权多任务学习的早期轻度认知障碍诊断

轻度认知障碍(MCI)是阿尔茨海默病(AD)的早期阶段,是治疗AD的最佳时期,因此对MCI的诊断非常重要。多模态数据可以全面分析疾病的状况,有利于疾病的准确诊断,但是现有方法并不能同时有效地分析多个模态数据之间的关系,无法有效结合功能态数据和结构态数据之间的优势。提出一种中心化自动加权多任务学习方法用于MCI的诊断。该方法可以同时学习不同模态的数据,有效地结合数据之间的优势。首先,分别对功能态数据rs-fMRI和结构态数据DTI构造脑网络;其次,基于多模态数据设计新的多任务特征学习模型,每个任务的重要性和模态之间的平衡关系会被自动学习,包括不同模态间的相似性和特异性,以获得稳定且有识别力的表达特征;最后,将选取的特征输入支持向量机模型进行分类诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库,包括明显记忆问题(SMC)、早期轻度认知障碍(EMCI)、晚期轻度认知障碍(LMCI)和正常受试者(NC)。所提出的方法对于NC vs SMC、SMC vs EMCI、SMC vs LMCI和EMCI vs LMCI等4种不同类型数据,诊断结果分别为76.67%、79.07%、80.56%和74.29%,与其他传统算法相比,分类准确率都有明显的提高,有望应用于对早期轻度认知障碍的诊断分析。     

轻度认知损害的神经心理研究

目的:考查轻度认知损害(MCI)患者的神经心理损害模式和寻找MCI和AD痴呆早期诊断的神经心理学指标。方法:以139名社区正常老人、86名符合Petersen MCI诊断标准的社区样本和35名符合DSM-ⅣAD痴呆(DAT)标准的社区和门诊患者为研究对象,用18项神经心理测验分别评估被试的内隐记忆、再认记忆、日常记忆、自由回忆、工作记忆、学习能力、推理能力、空间/计算和加工速度。结果:MCI组的神经心理测验成绩低于正常对照组、高于DAT组(P<0.001),尤其是自由回忆、工作记忆、学习能力和加工速度的组间差异更大;神经心理学指标能甄别正常与MCI或MCI与DAT,归类正确率在90.9%～93.8%之间;神经心理指标在MCI和DAT诊断中具有较高的敏感性和特异性,尤其是自由回忆、工作记忆、学习能力和加工速度,对MCI的敏感性分别为0.763、0.806、0.748和0.727,对DAT的敏感性分别为0.930、0.884、0.965和0.919,对MCI的特异性分别为0.779、0.733、0.837和0.826,对DAT的特异性分别为0.743、0.686、0.686和0.829。结论:自由回忆、工作记忆、学习能力和加工速度是MCI和AD早期可靠的神经心理学诊断指标。     

基于非结节自动分类的二维卷积网络在肺结节检测假阳性减少中的应用

目的针对计算机断层扫描(computed tomography, CT)图像的肺结节自动检测中灵敏度低及存在大量假阳性的问题,本文提出了一种基于非结节自动分类的二维卷积神经网络(convolutionalneural network, CNN),并用于肺结节检测中的假阳性减少。方法首先对CT图像进行预处理,通过对原始CT图像重采样和归一化,解决不同样本像素间隔不一致及图像对比度不统一问题;采用结节不同空间方向的二维切片信息采集进行正样本扩充,负样本无监督分类方法平衡正负样本数量;分别利用不同类别负样本与正样本训练二维卷积神经网络,获得多个用于降低假阳性的2D CNN肺结节检测模型,对LUNA16提供的假阳性减少数据集进行五折交叉验证,利用官方提供的评估程序对模型进行评估。结果通过与直接使用单个2D CNN进行分类的模型比较,对非结节分类后训练多个模型的分类结果较佳,最终竞争性指标(competition performance metric,CPM)竞争性得分0.849。结论基于非结节自动分类的2D CNN模型可以有效地对假阳性肺结节进行剔除,相较于其他2D CNN具有竞争力,可为肺癌早期筛查提供帮助。     

基于特权信息集成学习的精神分裂症单模态神经影像计算机辅助诊断

神经影像技术目前已经应用于精神分裂症的诊断。为了提升基于单模态神经影像的精神分裂症计算机辅助诊断(CAD)的性能,本文提出一种基于特权信息学习(LUPI)分类器的集成学习算法。该算法首先对单模态数据采用极限学习机-自编码器(ELM-AE)进行特征二次学习,然后通过随机映射算法将高维特征随机分成多个子空间,并进行两两组合形成源领域和目标领域数据对,用于训练多个支持向量机+(SVM+)弱分类器,最终通过集成学习获得一个强分类器,实现有效的模式分类。本算法在公开的精神分裂症神经影像数据库中进行了实验,包括结构磁共振成像和功能磁共振成像数据。结果表明该算法取得了最优的诊断结果,其在基于结构磁共振成像诊断的分类精度、敏感性和特异性分别可以达到72.12%±8.20%、73.50%±15.44%和70.93%±12.93%,而基于功能磁共振成像诊断的分类精度、敏感性和特异性分别为72.33%±8.95%、68.50%±16.58%、75.73%±16.10%。本文算法的主要创新点在于克服了传统的LUPI分类器需要额外的特权信息模态的不足,可以直接应用于单模态数据分类问题,而且还提升了分类性能,因此具有较为广泛的应用前景。     

基于集成卷积神经网络的肺部肿瘤计算机辅助诊断模型

将卷积神经网络(CNN)用于肺部肿瘤正电子发射计算机断层扫描(PET)/电子计算机断层扫描(CT)计算机辅助诊断,不仅可以提供精确的定量分析以弥补人眼惰性及对灰阶不敏感的缺陷,也能辅助医生准确诊疗。本文首先采用参数迁移的方法初始构建三个CNN(CT-CNN、PET-CNN、PET/CT-CNN)分别用于肺部肿瘤CT、PET、PET/CT的识别;然后以CT-CNN为例探讨迭代次数、批次大小和输入图像大小对识别率和训练时间的影响,从而选择合适的模型参数训练单一CNN;最后集成三个单一CNN,采用"相对多数投票法"完成肺部肿瘤PET/CT计算机辅助诊断,进而对比集成CNN与单个CNN的性能。实验结果表明集成CNN模型比单一CNN模型对于肺部肿瘤计算机辅助诊断的性能更优。     

基于纹理分析的阿尔茨海默症及轻度认知功能障碍的分类研究

目的 利用脑MR图像中胼胝体的三维纹理特征对阿尔茨海默症患者（Alzheimer disease,AD）及轻度认知功能障碍（mild cognitive impairment,MCI）患者进行分类识别,以探索AD早期诊断新途径.方法 选取AD患者、MCI患者及健康对照者各l8例,采用灰度共生矩阵和游程长矩阵提取每位受试者胼胝体部位的三维纹理特征.通过筛选得到的纹理特征参量,利用BP神经网络建立识别模型,对AD患者、MCI患者和健康对照者进行分类识别,并对采用主成分分析、线性判别分析和非线性判别分析3种方法得到的识别结果进行比较.结果 使用神经网络模型的非线性判别分析的分类识别正确率最高.结论 利用三维纹理特征的神经网络模型可分类识别早期AD患者及MCI患者.     

基于非线性高阶特征和超图卷积神经网络的阿尔茨海默症分类

阿尔茨海默症（AD）是一种不可逆转的大脑神经退化性疾病，会损害患者记忆力和认知能力。因此，AD诊断具有重要意义。大脑感兴趣区域（ROI）之间往往是多个区域以非线性的方式协同交互，充分利用此类非线性高阶交互特征有助于提高AD诊断分类的准确性。为此，提出基于非线性高阶特征提取和三维超图神经网络相结合的AD计算机辅助诊断框架。首先针对ROI数据使用基于径向基函数核的支持向量机回归模型训练出基估计器，再通过基于基估计器的递归特征消除算法提取功能性磁共振成像（fMRI）数据中的非线性高阶特征，进而将特征构造成超图，最后基于fMRI数据的四维时空特性搭建超图卷积神经网络模型来进行分类。阿尔茨海默症神经影像倡议（ADNI）数据库上的实验结果表明，所提框架在AD/正常对照（NC）分类任务上的效果相较于Hyper Graph Convolutional Network(HyperGCN)框架提高了8%，相较于传统二维线性特征提取方法提高了12%。综上，本文框架在AD分类效果上较主流深度学习方法有所提升，可为AD计算机辅助诊断提供有效依据。     

基于支持向量机的轻度认知功能障碍诊断方法

轻度认知功能障碍（MCI）是正常老化向痴呆转变的过渡阶段，目前被认为是老年痴呆症（AD）的一种先期征兆，其相关研究对于AD的早期诊断与干预具有重要意义。MCI的诊断一般通过认知和记忆的测查进行，各项指标均为正常或MCI状态时可直接确诊，如果不一致则需医生依据经验进一步判断。本研究从已确诊的被试中训练得出支持向量机分类模型，然后对需要医生诊断的被试做预测，实验表明，以医生的诊断为准，预测的符合率最高可达85．7％，有助于MCI的计算机辅助诊断。     

基于遗传算法和三维卷积神经网络集成模型的阿尔茨海默症早期辅助诊断

阿尔茨海默病(AD)作为一种常见的神经系统退行性疾病,其致病机制不明,尤其是对处于AD不同阶段的轻度认知障碍(MCI)患者的萎缩区域难以确定,导致误诊率偏高。为此,提出了基于3维卷积神经网络(3DCNN)和遗传算法(GA)相结合的AD早期辅助诊断模型。首先用3DCNN针对感兴趣区域(ROI)训练出候选基分类器,然后利用GA算法从中挑选出最优基分类器组合,最后集成起来进行分类,实现辅助诊断。同时,由于基分类器与脑区之间是一一对应的,进而可以找出具有显著分类能力的脑区。实验结果表明,AD与正常组(NC)的分类准确率为88.6%,转化为AD的MCI(MCIc)与NC的分类准确率为88.1%,未转化为AD的MCI(MCInc)与MCIc的分类准确率为71.3%。此外,通过对关键ROI(即脑区)所对应的行为域数据进行统计分析,GA筛选的关键脑区除了左延髓海马、左尾部海马和内外侧杏仁核、左海马旁回,还新发现了右颞中回前颞上沟、右扣带回背侧23等区域。实验得出所选脑区的功能主要影响情绪、记忆和认知等方面,这与AD患者出现的感情冷淡、记忆力下降、行动能力下降和认知水平下降等外在表现基本吻合。这些均表明所提方法是有效的。     

基于栈式深度多项式网络集成学习框架的帕金森病计算机辅助诊断

特征表达是基于磁共振成像(MRI)的帕金森病(PD)计算机辅助诊断系统诊断准确性的重要决定因素。深度多项式网络(DPN)是一种新的有监督深度学习算法,对于小数据集具有良好的特征表达能力。本文提出一种面向PD计算机辅助诊断的栈式DPN(SDPN)集成学习框架,以有效提高基于小数据的PD辅助诊断准确性。本框架对所提取的MRI特征的每一个特征子集分别通过SDPN得到新的特征表达,然后采用支持向量机(SVM)对每个子集进行分类,再对所有分类器进行集成学习,得到最终的PD诊断结果。通过对公开的帕金森病数据库PPMI进行实验,基于脑网络特征的分类精度、敏感度和特异性分别为90.15%、85.48%和93.27%;而基于多视图脑区特征的分类精度、敏感度和特异性分别为87.18%、86.90%和87.27%。与在PPMI数据库中的MRI数据集进行实验的其他算法研究相比,本文所提出的算法获得了更好的分类结果。本文研究表明了所提出的SDPN集成学习框架的有效性,具有应用于PD计算机辅助诊断的可行性。     

老年人快速认知筛查量表筛查早期阿尔茨海默病性痴呆的试测

目的:考查老年人快速认知筛查量表(QCSS-E)筛查社区老年人轻度认知功能障碍(MCI)及轻中度阿尔茨海默病(AD)的性能。方法:在社区募集≥55岁老年人1298人,参照Peterson MCI诊断标准和DSM-5神经认知障碍AD诊断标准为金标准,将其分为正常对照(NC)组(n=629)、MCI组(n=573)及轻中度AD组(n=96)。计算量表总分及各维度得分筛查MCI和轻中度AD的阳性预测值、阴性预测值;采用ROC曲线分析检验量表总分的区分度。结果:量表总分筛查MCI的阳性预测值为67.6%,阴性预测值为83.9%;筛查轻中度AD的阳性预测值为64.2%,阴性预测值为96.9%。ROC曲线分析发现QCSS-E总分筛查正常与MCI、正常与轻中度AD、MCI与轻中度AD的AUC分别为83.5%、98.0%及85.6%。结论:QCSS-E总分及各维度得分在早期AD筛查中性能良好。     

基于监督局部线性嵌入方法的阿尔茨海默病磁共振成像分类研究

针对阿尔茨海默病(AD)早期阶段分类这一研究难题,传统的线性特征提取算法很难从其高维特征中挖掘出鉴别能力较强的信息来有效地表示样本特征。因此,本文采用监督局部线性嵌入(SLLE)特征提取算法,对412例受试者的大脑皮质厚度(CTH)和脑感兴趣区域体积(VOI)特征进行提取,减少其冗余特征以提高识别精度。受试者来源于阿尔茨海默病神经影像学(ADNI)数据集,包含93例稳定型轻度认知障碍(s MCI)、96例遗忘型轻度认知障碍(a MCI)、86例AD患者和137例认知正常对照老年人(CN)样本。本文采用的SLLE算法是通过添加距离修正项来计算每个样本点的近邻点,并用近邻点线性表示样本,得到局部重建权值矩阵,进而求出高维数据的低维映射。为验证该算法在分类识别中的有效性,本文将主成分分析(PCA)、近邻最小最大投影(NMMP)、局部线性映射(LLE)及SLLE等特征提取算法分别与支持向量机(SVM)分类器组合,对CN与s MCI、CN与a MCI、CN与AD、s MCI与a MCI、s MCI与AD和a MCI与AD六组实验数据进行分类识别。结果显示,以VOI为特征,利用SLLE和SVM的复合算法对s MCI和a MCI的分类准确度、灵敏度、特异性分别为65.16%、63.33%、67.62%,基于LLE和SVM的复合算法分类结果分别为64.08%、66.14%、62.77%,而基于传统SVM则分别为57.25%、56.28%、58.08%。经比较,发现SLLE和SVM组合算法的识别精度较LLE和SVM的组合算法提高了1.08%,较SVM提高了7.91%。因此,利用SLLE和SVM这一复合算法进行分类识别更有利于AD的早期诊断。     

结构与功能影像技术在阿尔茨海默病早期诊断中的应用现状及进展

阿尔茨海默病(AD)以慢性、进行性智力下降为特征。随着结构与功能影像技术的发展,AD早期诊断的准确率大幅提高,笔者对辅助早期诊断AD的MRI、CT基于体素的形态学测量、正电子发射断层成像、单光子发射计算机断层扫描等多种结构功能影像技术进行综述。     

基于广义卷积神经网络的阿尔茨海默病多模态磁共振图像分类方法研究

阿尔茨海默病（AD）是一种进行性、不可逆的神经系统退行性疾病,基于磁共振成像（MRI）的神经影像学检查是进行AD筛查与诊断最直观、可靠的方法之一。临床上头颅MRI检测会产生多模态影像数据,为解决多模态MRI处理与信息融合的问题,本文提出基于广义卷积神经网络（gCNN）的结构MRI和功能MRI特征提取与融合方法。该方法针对结构MRI提出基于混合注意力机制的三维残差U型网络（3D HA-ResUNet）进行特征表示与分类;针对功能MRI提出U型图卷积神经网络（U-GCN）进行脑功能网络的节点特征表示与分类。在两类影像特征融合的基础上,基于离散二进制粒子群优化算法筛选最优特征子集,并使用机器学习分类器输出预测结果。来自AD神经影像学计划（ADNI）开源数据库的多模态数据集验证结果表明,本文所提出的模型在各自数据域内都有优秀的表现,而gCNN框架结合了两类模型的优势,进一步提高使用单一模态MRI的方法性能,将分类准确率和敏感性分别提升了5.56%和11.11%。综上,本文所提出的基于gCNN的多模态MRI分类方法可以为AD的辅助诊断提供技术基础。     

基于结构磁共振成像海马多特征组合的阿尔茨海默病分类新方法

本文提出了一种利用结构磁共振图像多特征组合的阿尔茨海默病(AD)分类新方法。首先,利用FreeSurfer软件进行海马分割及皮层厚度、体积测量。然后,采用直方图、梯度、灰度共生矩阵及游程长度矩阵提取海马三维纹理特征,选取AD、MCI及NC三组间均具有显著差异的参数,与MMSE评分进行相关性研究。最后,利用极限学习机,对AD、MCI及NC进行分类识别。结果显示,无论左侧还是右侧,纹理特征相比于体积特征可以提供更好的分类结果;纹理、体积和皮层厚度互补的特征参量具有更高的分类识别率,且右侧(100%)分类正确率高于左侧(91.667%)。结果表明三维纹理分析可反映AD及MCI患者海马结构的病理变化,并且结合多特征的分析更能反映AD与MCI的认知障碍实质差别,更有利于临床鉴别诊断。