基于卷积神经网络和集成学习的阿尔茨海默症早期诊断

阿尔茨海默症(AD)是一种典型的神经退行性疾病,临床上表现为失忆、丧失语言能力、丧失生活自理能力等。迄今为止,AD病因尚不明确且病程不可逆,也没有治愈的方法,因此,AD的早期诊断对于研发新型药物和措施以减缓病情发展具有重要意义。轻度认知障碍(MCI)是一种介于AD和正常老化(HC)之间的状态。研究表明,MCI患者比没有患过MCI的人更有可能发展成AD,因此,对MCI患者的准确筛查成为了AD早期诊断的研究热点之一。随着神经影像技术和深度学习的飞速发展,越来越多的研究者使用深度学习方法对大脑神经影像如磁共振影像(MRI)进行分析,用于AD的早期诊断。于是,本文提出基于卷积神经网络(CNN)和集成学习的多切片集成分类模型用于AD早期诊断。与只用单切片训练获得的CNN分类模型相比,本文采用三个维度上的多个二维切片进行训练而获得的集成分类器模型,能更充分地利用MRI包含的有效信息,从而提高分类的准确率和稳定性。