基于海马MRI数据的三维DenseNet和通道注意力模块相结合的阿尔茨海默病分类模型研究

目的:为了提高阿尔茨海默病(Alzheimer’s disease,AD)分类的准确率,构建一种基于海马MRI数据的DenseNet和通道注意力模块(channel attention module,CAM)相结合的AD分类模型。方法:首先,通过结构磁共振图像提取海马感兴趣区。其次,通过优化网络结构将三维DenseNet与CAM相结合构建基于海马感兴趣区的AD分类模型(三维CAM-DenseNet模型)。最后,为验证该模型的分类性能,将该模型与多个三维DenseNet模型进行比较,并验证加入纵向数据后对模型分类性能的影响;为评估模型的泛化性,将该模型在3个独立测试集上进行检验。结果:三维CAM-DenseNet模型在区分AD患者与认知正常受试者的分类任务中平均准确率为95.2%、敏感度为91.9%、特异度为97.8%、AUC值为94.9%,优于其他三维DenseNet模型;在轻度认知障碍相关分类任务中,加入纵向数据可以提升模型的分类性能;训练好的模型在3个独立测试集中均表现出良好的泛化性能。结论:构建的三维CAM-DenseNet模型分类准确率高、泛化性好,适用于AD分类研究。

基于AlexNet模型的AD分类

阿尔兹海默症(Alzheimer’s disease,AD)一经发现难以逆转,早期诊断对延缓AD的病程发展非常重要.虽然深度卷积网络近年来在图像识别领域有着大量突出的表现,但将从自然图像中训练得到的二维经典的深度网络直接运用到三维的结构磁共振影像(structural magnetic resonance imaging,s MRI)上进行AD疾病状态的分类还存在一些问题.基于194例AD、123例晚期轻度认知障碍(late mild cognitive impairment,LMCI)与105例正常老化(normal control,NC)的s MRI,运用特征迁移学习的方法,从经典的深度卷积模型--Alex Net中提取各阶段受试者的图像特征,并对所提特征进行三维重组,再运用最大池化、主成分分析等方式降维,并运用向前序列选择方法对各分类组进行特征选择,最后运用支持向量机建立分类模型,实现AD、LMCI与NC的分类.在Alex Net的三、四、五层卷积层,AD与NC的分类准确率分别为89. 93%、91. 28%、87. 25%,AD与LMCI的分类结果分别为80. 77%、76. 92%、78. 21%,NC与LMCI的分类结果分别为72. 46%、75. 45%、73. 65%.结果证明,通过经典卷积网络获得的特征,经过三维重组,能够较好地对AD实现分类.

基于sMRI的阿尔茨海默症分类影响因素研究

本研究提出基于三类解剖特征的SVM建模方法,探索样本、特征及算法选择三个因素,对阿尔茨海默症(AD)及其前驱阶段分类的重要性。该方法以三维重构s MRI后不同大脑区域的灰质体积、皮层表面积及其平均厚度三类特征作为SVM模型的输入参数,并采用十折交叉验证方法对AD患者、轻度认知损害患者和健康者进行分类识别,并与其他文献结果进行比较分析。实验结果表明,为了达到更高的分类准确率,选择合适的样本和特征,比选择算法更重要。此结论为未来AD的计算机辅助诊断研究工作提供了有益的指导。

基于机器学习的阿尔兹海默症初期行为辨识方法

本研究基于机器学习的阿尔兹海默症初期行为辨识方法,及时发现患者大脑的早期病变,把握最佳治疗机会。从ADNI公共数据库获取阿尔兹海默症、轻度认知障碍以及正常对照组的结构性磁共振成像(sMRI)图像,将其通过Freesurfer软件执行图像平滑、分割、时间层校正等操作,转换为sMRI数据,使用内核局部Fisher判别分析算法提取sMRI数据特征,利用基于核支持向量机的数据分类算法,分类所提取sMRI数据特征,经十折交叉验证评估后,实现阿尔兹海默症初期行为的准确辨识。实验结果表明,该方法的灵敏度、特异性、准确率以及曲线下面积四个指标均保持最高,具有较优异的阿尔兹海默症初期行为辨识效果。该方法不仅能有效辨识患者与健康人,还能正确区分阿尔兹海默症和轻度认知障碍患者,辨识效果显著。