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。