基于深度卷積網絡的阿爾茨海默病診斷模型研究

張柏雯，林 嵐，孫 珅，吳水才

（北京工業大學生命科學與生物工程學院，北京 100124）

0 引言

阿爾茨海默病（Alzheimer'sdisease，AD）是一種發病隱匿的神經退行性疾病[1-2]，主要表現為神經功能失調和記憶減退。由于AD一經發現難以控制或逆轉，目前已成為最常見的癡呆病癥。預計到2050年，全球AD患者將達到1.07億[3]。結構磁共振成像（structuralMRI，sMRI）因其無創性具有較高的普及率，被廣泛用于AD診斷。AD常發病于海馬、顳葉等部位，會引起全腦體積的縮小及腦灰質、白質、腦脊液的減少[4-5]。但AD初期沒有明顯的癥狀，發病機制尚不明確，約有一半的患者被誤認為是正常老化（normal control，NC）[6]，因此借助計算機輔助診斷成為早期AD與NC分類的趨勢。

機器學習的方法能從已知數據中學習到復雜的結構特征，近年來已被廣泛運用至神經影像學疾病的診斷中[7]，針對大腦結構的體素特征構建分類模型是機器學習在AD分類與預測中常見的應用。Adaszewski等[8]將全腦灰質密度作為特征，運用支持向量機[9]（support vector machines，SVM）的方法構建早期AD的診斷模型。同時，基于感興趣區特征提取也是一種常用的分類方法。Huang等[10]從sMRI獲取大腦皮層厚度、海馬區域等特征，結合鄰近元素分析和隨機森林等方法構建了AD各病程的分類模型。但是這些方法都以手工提取特征為前提，存在主觀性較大的問題。深度學習起源于人工神經網絡，是機器學習的一種，因其能從原始數據中自動提取特征，通過非線性模型將原始特征轉變為低層特征，并從低到高逐層抽象為具有分類代表性的高層特征[11-12]，從而建立更加復雜、分類特性更高的模型，為早期AD與NC的分類提供了新的方法。……