基于輕度認知障礙患者預測發展狀態的實現

羅 芬

（中南民族大學生物醫學工程學院 湖北·武漢 430074）

阿爾茲海默癥（Alzheimer’s Disease，AD）是一種慢性的神經系統退行性疾病，在患病早期表現為輕度認知障礙（Mild Cognitive Impairment，MCI），健康個體發展為阿爾茨海默病患者之間的過渡態即為MCI。隨著時間的推移一類MCI會保持相對穩定，不會發展為AD，被稱為stable MCI（sMCI）；反之，具有較大發展為AD可能性的發展型MCI稱為develop MCI（pMCI）。對于醫生來講，在這個時期很難僅通過影像對患者的發展情況做預判。如果可以在早期階段就能診斷該疾病，對于發掘阿爾茲海默癥的基本患病原理和機制研究，以及控制病情的發展具有重大意義。

針對以往采用傳統機器學習的方法計算量較大，獲得的預測精度不高，可靠性較低等問題，本研究采用卷積神經網絡與高效通道注意模塊融合的網絡結構，對MCI患者的結構核磁共振圖像（sMRI）和統計學和神經心理學信息組合后進行分析。

1 實驗方法

1.1 神經網絡架構

針對三維醫學圖像單個樣本數據量較大的特點，同時受Xception[1]（Chollet，2017；Velickovic et al，2016）提出的深度可分離卷積層，以及ECA-Net[2]（Qilong Wang et al，2020）提出的有效通道注意模塊的啟發。本研究采用三維卷積與有效通道注意模塊結合的模式，三維卷積的使用可以降低將近2倍的計算量，有效通道注意模塊可以為與患者發病相關的腦區分配更多的權重，有助于提高分類精度。

1.2 有效通道注意模塊

近年來，有效的通道注意機制在提高深度卷積神經網絡的性能方面顯示出了巨大的潛力。有效通道注意模塊如圖1所示。

圖1：有效通道注意模塊

設卷積塊的輸入為 X∈RW×H×C，W、H、C 分別為寬度、高度和通道維度（即濾波器數量）。因此，SE模塊（squeeze and excitation networks,即SENet）中通道的權值可以這樣計算

2 圖像預處理

本研究使用的數據均來自阿爾茲海默病神經影像計劃（ADNI）數據庫（http://adni.loni.usc.edu/），在分類之前，所有的T1加權MRI圖像首先進行顱骨剝離操作，以去除不相干組織。接下來，進行偏置場矯正，以消除圖像亮度差異。最后進行配準操作，將圖像配準到公共模板上（即MNI152_T1_1mm）。我們的預處理后的圖像如圖2所示，本研究處理后的圖像尺寸為：182*218*182*1。

圖2：預處理圖像截圖

3 實驗設計

3.1 評價指標

本研究為二分類，結果計為正例（positive）和負例（negtive）,True positives（TP），False positives（FP），False negatives（FN），True negatives（TN）.正確率（ACC）是很常見的評價指標，一般正確率越高，分類器越好。靈敏度（SEN）表示分類器對正例的識別能力。特異性（SPE）表示分類器對負例的識別能力。

ROC（receiver operating characteristic curve），又稱為感受性曲線，是衡量靈敏度和特異性連續變量的綜合指標。AUC（Area Under roc Curve）是ROC曲線下面積的簡稱。

3.2 實驗分組

共計5個實驗組：（1）Clinical features（僅臨床特征組）；（2）MRI（僅醫學圖像組）；（3）MRI+ECA（加入ECA模塊的醫學圖像組）；（4）MRI+Clinical features（醫學圖像和臨床特征結合組）；（5）MRI+Clinical features+ECA（醫學圖像和臨床特征以及ECA模塊組合組）。

4 實驗結果與討論

本研究所取得實驗組的AUC，ACC，SEN，SPE參數如表1所示，在僅使用患者年齡，性別，MMSE分數作為輸入時取得的AUC為0.680，準確度為77.2%；僅使用預處理后的核磁圖像作為輸入采用卷積神經網絡的情況下獲得的AUC為0.740；MRI與臨床特征相結合的情況下采用卷積神經網絡取得的AUC結果為0.890，在此神經網絡的基礎上加入ECA模塊后分類結果取得了最佳值AUC達到0.930，準確度為89.1%。

表1：本研究使用的模型組合在pMCI vs sMCI分類任務上的性能指標的比較表

神經網絡參數設置保持不變，這包括所有層和塊的輸出率設為0.1，卷積和全連接層中所有參數的L2范數懲罰設為0.00005；卷積核權值初始化.采用Adam優化器，以指數衰減學習率最小化目標函數損失。

實驗證明，本研究開發的融合有效通道注意模塊的卷積神經網絡結構，在識別出3年內可能發展為AD的pMCI患者取得了較好的效果，在預測輕度腦疾病發展方面具有很大的潛力。