林偉銘，高欽泉，杜 民

(1.福州大學(xué) 物理與信息工程學(xué)院，福州 350108； 2.福建省醫(yī)療器械與醫(yī)藥技術(shù)重點(diǎn)實(shí)驗(yàn)室，福州 350108； 3.廈門理工學(xué)院 光電與通信工程學(xué)院，福建 廈門 361024； 4.福建省生態(tài)產(chǎn)業(yè)綠色技術(shù)重點(diǎn)實(shí)驗(yàn)室，福建 南平 354300)

卷積神經(jīng)網(wǎng)絡(luò)診斷阿爾茲海默癥的方法

林偉銘1,2,3，高欽泉1,2，杜 民1,4*

(1.福州大學(xué) 物理與信息工程學(xué)院，福州 350108； 2.福建省醫(yī)療器械與醫(yī)藥技術(shù)重點(diǎn)實(shí)驗(yàn)室，福州 350108；
3.廈門理工學(xué)院 光電與通信工程學(xué)院，福建 廈門 361024； 4.福建省生態(tài)產(chǎn)業(yè)綠色技術(shù)重點(diǎn)實(shí)驗(yàn)室，福建 南平 354300)

針對(duì)阿爾茲海默癥(AD)通常會(huì)導(dǎo)致海馬體區(qū)域萎縮的現(xiàn)象，提出一種使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)腦部磁共振成像(MRI)的海馬體區(qū)域進(jìn)行AD識(shí)別的方法。測(cè)試數(shù)據(jù)來自ADNI數(shù)據(jù)庫提供的188位患者和229位正常人的腦部MRI圖像。首先,將所有腦圖像進(jìn)行顱骨剝離，并配準(zhǔn)到標(biāo)準(zhǔn)模板；其次,使用線性回歸進(jìn)行腦部萎縮的年齡矯正;然后，經(jīng)過預(yù)處理后，從每個(gè)對(duì)象的3D腦圖像的海馬體區(qū)域提取出多幅2.5D的圖像;最后，使用CNN對(duì)這些圖像進(jìn)行訓(xùn)練和識(shí)別，將同一個(gè)對(duì)象的圖像識(shí)別結(jié)果用于對(duì)該對(duì)象的聯(lián)合診斷。通過多次十折交叉驗(yàn)證方式進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明所提方法的平均識(shí)別準(zhǔn)確率達(dá)到88.02%。與堆疊自動(dòng)編碼器(SAE)方法進(jìn)行比較，比較結(jié)果表明，所提方法在僅使用MRI進(jìn)行診斷的情況下效果比SAE方法有較大提高。

阿爾茲海默癥；卷積神經(jīng)網(wǎng)絡(luò)；磁共振成像；海馬體；計(jì)算機(jī)輔助診斷

0 引言

阿爾茲海默癥(Alzheimer’s Disease, AD)是一種常發(fā)病于老年人群的癡呆癥狀，即老年癡呆癥，其患者通常具有進(jìn)行性記憶喪失和語言障礙等癥狀。隨著社會(huì)老齡化的發(fā)展，其發(fā)病率也將隨之增長(zhǎng)。預(yù)計(jì)在2050年，中國的老年癡呆癥患者將可能達(dá)到2 000萬[1]。對(duì)于阿爾茲海默癥的計(jì)算機(jī)診斷通常使用腦部成像，例如結(jié)構(gòu)性磁共振成像(structural Magnetic Resonance Imaging, sMRI)[2]、功能性磁共振成像(functional Magnetic Resonance Imaging, fMRI)[3]和正電子發(fā)射計(jì)算機(jī)斷層顯像(Positron Emission computed Tomography, PET)[4]等圖像數(shù)據(jù)。其中sMRI由于其相對(duì)較低的成本和較好的成像效果，常被應(yīng)用于腦部疾病的研究。MRI作為三維圖像含有大量的體素?cái)?shù)據(jù)，其中大部分與阿爾茲海默癥無關(guān)，所以如何從大量的體素?cái)?shù)據(jù)中進(jìn)行疾病相關(guān)的特征提取成了研究的主要內(nèi)容[5-6]。但是目前已有的方法中還較少使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)進(jìn)行阿爾茲海默癥相關(guān)特征的提取和疾病診斷。

本文主要研究利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)MRI進(jìn)行阿爾茲海默癥的自動(dòng)診斷。深度神經(jīng)網(wǎng)絡(luò)常被應(yīng)用于機(jī)器自動(dòng)識(shí)別，在阿爾茲海默癥的自動(dòng)識(shí)別上也具有良好的效果[7-8]。卷積神經(jīng)網(wǎng)絡(luò)作為深度神經(jīng)網(wǎng)絡(luò)的一種網(wǎng)絡(luò)結(jié)構(gòu)[9]，自2012年的ILSVRC比賽后就受到許多關(guān)注, 并在許多計(jì)算機(jī)視覺的應(yīng)用中性能超越了其他算法。由于阿爾茲海默癥會(huì)導(dǎo)致患者海馬體區(qū)域出現(xiàn)萎縮，患者的腦部與正常人的腦部有視覺上的區(qū)別，如圖1所示，因此可以使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)MRI進(jìn)行自動(dòng)識(shí)別。本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)MRI進(jìn)行阿爾茲海默癥的計(jì)算機(jī)診斷方法，使用ADNI數(shù)據(jù)庫提供的229位正常人(Normal Control, NC)和188位患者(AD)共417個(gè)MRI進(jìn)行分類測(cè)試。文獻(xiàn)[7-8]都采用了深度神經(jīng)網(wǎng)絡(luò)的方法對(duì)阿爾茲海默癥進(jìn)行分類診斷，而且兩者對(duì)NC和AD的分類準(zhǔn)確率都達(dá)到91.4%，但是文獻(xiàn)[8]方法利用了MRI、PET數(shù)據(jù)，文獻(xiàn)[7]除了MRI、PET數(shù)據(jù)，還使用了脊髓液(CerebroSpinal Fluid, CSF)信息。使用多種數(shù)據(jù)信息在實(shí)際應(yīng)用中成本相對(duì)較高，相關(guān)數(shù)據(jù)難以獲取。例如CSF數(shù)據(jù)可能需要通過脊椎穿刺獲取，大部分人群難以接受。而PET成像有較強(qiáng)的輻射，并且同時(shí)進(jìn)行MRI和PET成像相對(duì)成本也較高。本文集中研究?jī)H利用MRI圖像進(jìn)行輔助診斷，利用非剛性配準(zhǔn)、年齡矯正、海馬體區(qū)域2.5D圖像提取和數(shù)據(jù)增廣等處理以及卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，如圖2所示。經(jīng)多次十折交叉驗(yàn)證測(cè)試，該方法具有良好的診斷準(zhǔn)確率。

圖1 三位患者與三位正常人的海馬體比較Fig.1 Hippocampus comparison of three AD and three NC

圖2 診斷方法數(shù)據(jù)處理流程Fig. 2 Flow chart of data processing in diagnostic method

1 數(shù)據(jù)與方法

1.1 ADNI數(shù)據(jù)庫

本文使用的MRI數(shù)據(jù)來自ADNI(Alzheimer’s Disease Neuroimaging Initiative)數(shù)據(jù)庫(adni.loni.ucla.edu)，該數(shù)據(jù)庫公開提供一系列測(cè)試對(duì)象的MRI、PET、其他生物標(biāo)記和相關(guān)的診斷信息，為研究人員提供了一套標(biāo)準(zhǔn)的研究數(shù)據(jù)，用于研究阿爾茲海默癥的發(fā)病過程。其提供的數(shù)據(jù)包含了三套子庫，分別是ADNI-1、ADNI-2和ADNI GO。本文使用的數(shù)據(jù)來自ADNI-1的標(biāo)準(zhǔn)基準(zhǔn)庫包含的818個(gè)測(cè)試對(duì)象的1.5T MRI[10]。該818位測(cè)試對(duì)象分別是229位正常人、188位患者和401位輕度認(rèn)知功能障礙者。其中輕度認(rèn)知功能障礙者并不屬于阿爾茲海默癥患者，但是其部分對(duì)象有可能在接下來的幾年中發(fā)病成為患者。本文主要使用全部417位正常人與患者的MRI數(shù)據(jù)進(jìn)行識(shí)別測(cè)試，測(cè)試過程中未刪除任何樣本數(shù)據(jù)。這些測(cè)試對(duì)象的年齡分布從55歲到90歲，男性218人，女性199人。具體年齡和性別的分布如表1所示。

表1 測(cè)試對(duì)象年齡性別分布Tab. 1 Age and sex distribution of test subjects

1.2 數(shù)據(jù)預(yù)處理

本文使用的417位測(cè)試對(duì)象的MRI由于個(gè)體差異存在腦部尺寸、形狀、位置上的較大區(qū)別，因此首先需要對(duì)這些數(shù)據(jù)進(jìn)行一系列預(yù)處理[11]，保證圖形之間有可比較性。首先所有的MRI都進(jìn)行標(biāo)準(zhǔn)的ADNI流水線處理，然后進(jìn)行顱骨剝離，保留腦部圖像。為了進(jìn)行比較，所有的MRI都需要進(jìn)行配準(zhǔn)，顱骨剝離后的圖像使用基于B樣條的自由變形配準(zhǔn)到MNI152模板上。對(duì)于配準(zhǔn)的精度選擇，如果配準(zhǔn)太粗糙則配準(zhǔn)效果不明顯；而如果配準(zhǔn)太精確則會(huì)導(dǎo)致測(cè)試個(gè)體間的區(qū)別大量丟失，區(qū)分度不高。因此本文選擇5 mm距離的配準(zhǔn)精度，可以達(dá)到較好的分類準(zhǔn)確率[11]。最后對(duì)配準(zhǔn)后的圖像進(jìn)行基于直方圖的數(shù)值歸一化處理。

1.3 年齡矯正

經(jīng)過上述預(yù)處理的MRI已經(jīng)可以進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和識(shí)別，但是為了提高準(zhǔn)確率，本文采用了年齡矯正的預(yù)處理[12]。由于本文使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識(shí)別的方式主要是基于海馬體區(qū)域的腦部形態(tài)，阿爾茲海默癥患者相較于正常人的腦部會(huì)出現(xiàn)萎縮現(xiàn)象。然而正常人的腦部隨著年齡的增加也會(huì)出現(xiàn)萎縮的情況，在識(shí)別過程中會(huì)與患者的病理萎縮混淆，年齡矯正可以降低腦部正常萎縮對(duì)識(shí)別的影響。

年齡矯正基本思路是:將某個(gè)坐標(biāo)的體素值作為y，其年齡作為x，然后使用所有的正常人的該坐標(biāo)體素值yn和年齡xn進(jìn)行線性回歸，擬合到曲線y=ax+b，其中a和b是實(shí)數(shù)，可以從系數(shù)a得知該體素值隨著年齡增長(zhǎng)的正常變化趨勢(shì)。然后對(duì)所有MRI(包含正常人和患者)的該坐標(biāo)體素值矯正到某個(gè)固定年齡上，即完成該坐標(biāo)點(diǎn)的年齡矯正。對(duì)所有的坐標(biāo)點(diǎn)都進(jìn)行上述處理，即完成年齡矯正的過程。

年齡矯正的具體實(shí)現(xiàn)過程為，設(shè)置年齡矩陣X、體素值矩陣Y和系數(shù)矩陣β：

其中：N是正常測(cè)試對(duì)象的數(shù)量；M是預(yù)處理后單個(gè)MRI的體素?cái)?shù)量。建立線性回歸模型如下：

Y=Xβ+ε

(1)

式中，ε是線性回歸的誤差，目標(biāo)是尋找最優(yōu)的系數(shù)矩陣β使得∑ε2最小，其解為：

β=(XTX)-1XTY

(2)

由系數(shù)矩陣β可得到每個(gè)體素值與年齡的變化趨勢(shì)系數(shù)a1,a2…,aM。本文根據(jù)該系數(shù)與測(cè)試對(duì)象的年齡，將所有測(cè)試對(duì)象的體素值矯正到年齡70歲的數(shù)值上。最后由于后期輸入卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)數(shù)值范圍是0至255，矯正后的體素值超過255則置為255，低于0則置0。

1.4 卷積神經(jīng)網(wǎng)絡(luò)

2012年AlexNet在ILSVRC大賽上獲得優(yōu)勝后，引發(fā)了卷積神經(jīng)網(wǎng)絡(luò)的研究熱潮。雖然卷積神經(jīng)網(wǎng)絡(luò)經(jīng)常應(yīng)用于計(jì)算機(jī)視覺對(duì)自然圖像的識(shí)別，然而它在醫(yī)學(xué)圖像上的視覺識(shí)別上也取得優(yōu)秀的成績(jī)[13-14]。本文使用開源的深度神經(jīng)網(wǎng)絡(luò)框架caffe搭建卷積神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理后的MRI進(jìn)行訓(xùn)練和識(shí)別測(cè)試。caffe實(shí)現(xiàn)了深度神經(jīng)網(wǎng)絡(luò)中常用的各種網(wǎng)絡(luò)層，使用者只需要使用所需網(wǎng)絡(luò)層搭建起整個(gè)神經(jīng)網(wǎng)絡(luò)。caffe還集成了Nvidia公司提供的cuda和cudnn，可以調(diào)用Nvidia顯卡GPU進(jìn)行并行運(yùn)算，大大提高了運(yùn)行速度。本文使用caffe搭建了卷積神經(jīng)網(wǎng)絡(luò)包含了三個(gè)卷積層和一個(gè)全連接層，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 Framework of convolutional neural network

該網(wǎng)絡(luò)第一層的輸入是長(zhǎng)寬為32×32的3通道RGB圖像，中間經(jīng)過了三次卷積、池化、局部響應(yīng)歸一化(Local Response Normalization, LRN)和修正線性單元(Rectified Linear Units, ReLU)激活函數(shù)，輸出由softmax層提供的分類結(jié)果。該卷積神經(jīng)網(wǎng)絡(luò)雖然不屬于大型網(wǎng)絡(luò)，但仍具有相對(duì)較多的網(wǎng)絡(luò)參數(shù)，例如第一個(gè)卷積層有參數(shù)1 216個(gè)，第二個(gè)卷積層有參數(shù)6 416個(gè)，第三個(gè)卷積層有參數(shù)12 832個(gè)，再加上全連接網(wǎng)絡(luò)的參數(shù)1 024個(gè)，該網(wǎng)絡(luò)的參數(shù)達(dá)到了21 488個(gè)。而本文使用的樣本數(shù)量只有417個(gè)，相對(duì)于網(wǎng)絡(luò)參數(shù)數(shù)量少了許多，訓(xùn)練過程中會(huì)存在過擬合問題。在上述預(yù)處理后的MRI的數(shù)據(jù)是182×218×182大小的3D單通道圖像，為了符合該卷積神經(jīng)網(wǎng)絡(luò)的輸入格式，本文采用2.5D圖像的提取方式[15]。首先在3D圖像中選擇一個(gè)點(diǎn)，然后以該點(diǎn)為中心從三個(gè)軸向上截取三幅32×32的2D圖像，如圖4所示。以這三幅圖像作為RGB圖像的三個(gè)通道，可以得到一幅32×32的3通道圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。顯然一個(gè)MRI只提取一幅2.5D圖像無法準(zhǔn)確提取有效信息，而且中心點(diǎn)的位置選擇也很重要。本文使用數(shù)據(jù)增廣的方式[9]，在一個(gè)MRI中選擇多個(gè)中心點(diǎn)提取多幅2.5D圖像，然后使用這些2.5D圖像的分類結(jié)果共同判決該MRI的分類。該方式不僅保證了從MRI中提取足夠的信息，而且通過增加訓(xùn)練圖像的數(shù)量有效抑制卷積神經(jīng)網(wǎng)絡(luò)的過擬合問題。

圖4 2.5D圖像提取Fig.4 2.5D image extraction

對(duì)于多個(gè)中心點(diǎn)的位置選擇，本文將這些中心點(diǎn)設(shè)置在海馬體區(qū)域內(nèi)。首先將所有測(cè)試對(duì)象的腦組織分割區(qū)域數(shù)據(jù)根據(jù)上述配準(zhǔn)過程配準(zhǔn)到MNI152模板上，之后將配準(zhǔn)后的所有海馬體區(qū)域進(jìn)行重疊，獲得一個(gè)能包含所有測(cè)試對(duì)象海馬體的區(qū)域。最后將該區(qū)域進(jìn)行4個(gè)體素的收縮后作為興趣區(qū)域(Region Of Interest, ROI)，收縮的原因是為了讓中心點(diǎn)的選擇在海馬體區(qū)域內(nèi)，而不是在海馬體之外或邊緣處。在ROI區(qū)域中每隔2個(gè)體素設(shè)置1個(gè)中心點(diǎn)，一共提取出151個(gè)中心點(diǎn)均勻地分布在整個(gè)ROI區(qū)域，如圖5所示。雖然中心點(diǎn)的選擇限制在該ROI區(qū)域內(nèi)，但每次提取的數(shù)據(jù)是以這些點(diǎn)為中心的32×32的圖像，所以實(shí)際提取的信息是包含海馬體及其周圍較大區(qū)域的信息。

圖5 數(shù)據(jù)增廣的中心點(diǎn)位置(白點(diǎn))Fig. 5 Center point location (white point) of data augmentation

本文的測(cè)試對(duì)象共417個(gè)MRI，每個(gè)MRI提取151幅2.5D圖像，共62 967幅圖像。使用10折交叉驗(yàn)證，則訓(xùn)練圖像有56 776幅，測(cè)試圖像6 191幅。訓(xùn)練樣本擴(kuò)大到了5.67萬個(gè)，有效抑制了過擬合問題。對(duì)于每幅2.5D圖像，softmax輸出層會(huì)輸出該幅圖像對(duì)應(yīng)兩種分類的概率，最終判決該圖像為概率最大的分類。而每個(gè)MRI的分類判決都由提取自該MRI的151幅圖像共同判決。本文采用兩種共同判決方式并進(jìn)行比較:第一種是151幅圖像分別進(jìn)行分類判決，然后統(tǒng)計(jì)各分類的數(shù)量，數(shù)量最多的分類為該MRI的分類，稱為判決平均；第二種屬于軟判決方式，將151幅圖像對(duì)應(yīng)各分類的概率進(jìn)行平均，最后平均概率值最大的分類為該MRI的分類，稱為概率平均。

2 實(shí)驗(yàn)結(jié)果與分析

本文使用Matlab對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，使用caffe開源框架搭建卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識(shí)別。測(cè)試運(yùn)行環(huán)境是：CPU為Intel i7 7700，GPU為GeForce GTX 1070，內(nèi)存為8 GB，操作系統(tǒng)為ubuntu16.04，安裝CUDA 8.0庫文件，Matlab版本為2014b。

使用417位對(duì)象的MRI進(jìn)行測(cè)試，將MRI經(jīng)過預(yù)處理和年齡矯正后，從每個(gè)MRI提取151幅2.5D圖像后打亂順序進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整方法使用隨機(jī)梯度下降，學(xué)習(xí)率(learning rate)為0.001、動(dòng)量因子(momentum)為0.9、權(quán)重衰減(weight decay)為0.004。每次訓(xùn)練小塊(batch)大小為151幅2.5D圖像，共訓(xùn)練11 280次，即訓(xùn)練過程中每幅圖像被用于訓(xùn)練30次(epoch)。

測(cè)試過程使用10折交叉驗(yàn)證。首先將所有對(duì)象的順序打亂，各類型對(duì)象均勻分布;然后選擇其中41位對(duì)象作為測(cè)試樣本，其余376位作為訓(xùn)練樣本進(jìn)行訓(xùn)練和測(cè)試,依次進(jìn)行10次可以對(duì)410位對(duì)象進(jìn)行測(cè)試，10次測(cè)試的平均準(zhǔn)確率、平均敏感度(真實(shí)陽性對(duì)象中被診斷成陽性的數(shù)量 / 真實(shí)陽性對(duì)象數(shù)量)和平均特異度(真實(shí)陰性對(duì)象中被診斷為陰性的數(shù)量 / 真實(shí)陰性對(duì)象數(shù)量)作為本次的測(cè)試結(jié)果。該方式存在測(cè)試過程中會(huì)有7位對(duì)象未被測(cè)試，而且單次測(cè)量無法有效判斷真實(shí)的測(cè)試準(zhǔn)確率。所以本文將上述測(cè)試過程重復(fù)30次，每次都重新打亂對(duì)象的順序，因此測(cè)試結(jié)果相對(duì)可靠，而且能測(cè)試到所有樣本。本文對(duì)未進(jìn)過年齡矯正和經(jīng)過年齡矯正，以及判決平均和概率平均兩種判決方式，共四種方法進(jìn)行了測(cè)試，分別為：a)年齡矯正+判決平均；b)年齡矯正+概率平均；c)無年齡矯正+判決平均；d)無年齡矯正+概率平均。30次測(cè)試結(jié)果的平均值如表2所示。

表 2 不同方法診斷結(jié)果比較 %Tab. 2 Comparison of diagnosis results for different methods %

從表2中的測(cè)試結(jié)果可以看出:1) 概率平均方式略優(yōu)于判決平均方式，但是兩者的效果接近。2)增加年齡矯正后，診斷準(zhǔn)確率可以提高2個(gè)百分點(diǎn)左右。其中使用年齡矯正結(jié)合概率平均方式可以達(dá)到最好的診斷準(zhǔn)確率88.02%。

本文在數(shù)據(jù)預(yù)處理過程中采用了5 mm精度的非剛性配準(zhǔn)、年齡矯正到70歲和每個(gè)MRI提取151幅2.5D圖像數(shù)據(jù)增廣方法。本文對(duì)這些預(yù)處理參數(shù)設(shè)置的影響進(jìn)行了測(cè)試：1)為了測(cè)試矯正年齡的影響，對(duì)矯正到65歲、75歲和80歲的準(zhǔn)確率進(jìn)行了測(cè)試，結(jié)果分別為88.1%、87.92%和88.03%，從該結(jié)果可以看出，矯正到其他年齡上具有相似的效果。2)為了測(cè)試配準(zhǔn)精度的影響，對(duì)10 mm配準(zhǔn)精度和2.5 mm配準(zhǔn)精度的準(zhǔn)確率進(jìn)行測(cè)試，結(jié)果分別為86.83%和84.15%，說明了5 mm配準(zhǔn)精度的效果最佳。3)本文采用數(shù)據(jù)增廣的中心點(diǎn)滿足間隔2個(gè)體素，可以提取151個(gè)中心點(diǎn)。如果滿足間隔3個(gè)體素，可以提取71個(gè)中心點(diǎn)。間隔1個(gè)體素可以提取465個(gè)中心點(diǎn)。測(cè)試71個(gè)中心點(diǎn)和465個(gè)中心點(diǎn)的準(zhǔn)確率，結(jié)果分別為87.07%和88.11%，說明了減少中心點(diǎn)數(shù)量會(huì)導(dǎo)致數(shù)據(jù)增廣效果降低，增加中心點(diǎn)數(shù)量對(duì)效果有輕微提升，但會(huì)增加較多的計(jì)算量。

文獻(xiàn)[8]同樣采用了深度神經(jīng)網(wǎng)絡(luò)在ADNI數(shù)據(jù)庫里的數(shù)據(jù)上進(jìn)行了診斷測(cè)試，為了同其他深度神經(jīng)網(wǎng)絡(luò)方法比較，本文將本方法與文獻(xiàn)[8]中的使用MRI數(shù)據(jù)的診斷方法進(jìn)行比較，結(jié)果如表3所示。由表3可知，在使用文獻(xiàn)[8]同樣測(cè)試樣本的情況下，本文提出的方法比文獻(xiàn)[8]使用的堆疊自編碼器(Stacked AutoEncoder, SAE)方法和支持向量機(jī)(Support Vector Machine, SVM)方法準(zhǔn)確率提高了5個(gè)百分點(diǎn)以上。雖然文獻(xiàn)[8]的方法在MRI樣本子集的基礎(chǔ)上增加了PET數(shù)據(jù)后準(zhǔn)確率提升到了91.4%，但多個(gè)數(shù)據(jù)源在應(yīng)用中成本也會(huì)相應(yīng)增加。

表 3 不同方法在MRI數(shù)據(jù)上的診斷結(jié)果比較 %Tab. 3 Comparison of of diagnosis results for different methods on MRI data %

上述實(shí)驗(yàn)結(jié)果表明阿爾茲海默癥引起的海馬體萎縮信息可以通過多幅2.5D圖像的方式提取出來，這些信息可以使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識(shí)別，從而達(dá)到診斷阿爾茲海默癥的目的，而年齡矯正方法可以提高卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別效果。與文獻(xiàn)[8]方法在同樣MRI數(shù)據(jù)的測(cè)試比較結(jié)果表明，本文方法進(jìn)行分類的效果相比SAE有較大提升。

3 結(jié)語

基于阿爾茲海默癥引起海馬體萎縮的現(xiàn)象，本文提出了一種使用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合2.5D的數(shù)據(jù)提取方式，利用海馬體區(qū)域磁共振圖像對(duì)阿爾茲海默癥患者進(jìn)行計(jì)算機(jī)輔助診斷，通過非剛性配準(zhǔn)、年齡矯正和數(shù)據(jù)增廣等處理方式，提高了診斷的準(zhǔn)確率。最后通過10折交叉驗(yàn)證和多次驗(yàn)證的方式，測(cè)得該輔助診斷方法的準(zhǔn)確率達(dá)到88.02%。本文所提方法僅使用MRI數(shù)據(jù)，雖然診斷準(zhǔn)確率不如多數(shù)據(jù)源聯(lián)合診斷方式，但是應(yīng)用成本相對(duì)較低。而對(duì)于只使用MRI數(shù)據(jù)的診斷方式，本文方法的識(shí)別準(zhǔn)確率相對(duì)于使用SAE或SVM的分類方法較高。本文使用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對(duì)阿爾茲海默癥進(jìn)行了識(shí)別，說明該神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中學(xué)習(xí)到了與阿爾茲海默癥相關(guān)的海馬體形態(tài)特征。下一步可采用卷積神經(jīng)網(wǎng)絡(luò)的可視化技術(shù)，顯示并分析這些海馬體形態(tài)特征，為阿爾茲海默癥對(duì)海馬體影響的病理學(xué)研究提供參考。

References)

[1] 葉玉如.老年癡呆癥——現(xiàn)代腦科學(xué)和醫(yī)學(xué)研究面臨的嚴(yán)峻挑戰(zhàn)[J].生命科學(xué),2014,26(1):1.(YE Y R. Alzheimer’s disease: the serious challenge of modern mental science and medical science [J]. Chinese Bulletin of Life Sciences, 2014, 26(1): 1.)

[2] MATSUDA H. MRI morphometry in Alzheimer’s disease [J]. Ageing Research Reviews, 2016, 30: 17-24.

[3] JIE B,WEE C Y, SHEN D G, et al. Hyper-connectivity of functional networks for brain disease diagnosis [J]. Medical Image Analysis, 2016, 32: 84-100.

[4] GARALI I, ADEL M, BOURENNANE S, et al. Brain region ranking for 18FDG-PET computer-aided diagnosis of Alzheimer’s disease [J]. Biomedical Signal Processing and Control, 2016, 27: 15-23.

[5] TONG T, WOLZ R, GAO Q Q, et al. Multiple instance learning for classification of dementia in brain MRI [J]. Medical Image Analysis, 2014, 18(5): 808-818.

[6] ZHANG J, GAO Y, GAO Y Z, et al. Detecting anatomical landmarks for fast Alzheimer’s disease diagnosis [J]. IEEE Transactions on Medical Imaging, 2016, 35(12): 2524-2533.

[7] LI F, TRAN L, THUNG K H, et al. A robust deep model for improved classification of AD/MCI patients [J]. IEEE Journal of Biomedical and Health Informatics, 2015, 19(5): 1610-1616.

[8] LIU S Q, LIU S D, CAI W D, et al. Multimodal neuroimaging feature learning for multiclass diagnosis of Alzheimer’s disease [J]. IEEE Transactions on Biomedical Engineering, 2015, 62(4): 1132-1140.

[9] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks [C]// Proceedings of the 2012 25th International Conference on Neural Information Processing Systems. New York: Curran Associates Inc., 2012: 1097-1105.

[10] WYMAN B T, HARVEY D J, CRAWFORD K, et al. Standardization of analysis sets for reporting results from ADNI MRI data [J]. Alzheimer’s and Dementia, 2013, 9(3): 332-337.

[11] TONG T, GAO Q Q, GUERRERO R, et al. A novel grading biomarker for the prediction of conversion from mild cognitive impairment to Alzheimer’s disease [J]. IEEE Transactions on Biomedical Engineering, 2017, 64(1): 155-165.

[12] DUKART J, SCHROETER M L, MUELLER K, et al. Age correction in dementia-matching to a healthy brain [J]. PLoS One, 2011, 6(7): e22193.

[13] SHIN H C, ROTH H R, GAO M C, et al. Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning[J]. IEEE Transactions on Medical Imaging, 2016, 35(5): 1285-1298.

[14] YAN Z N, ZHAN Y Q, PENG Z G, et al. Multi-instance deep learning: discover discriminative local anatomies for bodypart recognition [J]. IEEE Transactions on Medical Imaging, 2016, 35(5): 1332-1343.

[15] ROTH H R, LU L, LIU J M, et al. Improving computer-aided detection using convolutional neural networks and random view aggregation [J]. IEEE Transactions on Medical Imaging, 2016, 35(5): 1170-1181.

This work is partially supported by the Natural Science Foundation of Fujian Province (2016J05157), the Foundation of Educational and Scientific Research Project for Young and Middle-aged Teachers of Fujian Province (JAT160074), the Xiamen Municipal Science and Technology Project (3502Z20153017).

LINWeiming, born in 1983, Ph. D. candidate, lecturer. His research interests include machine learning, deep learning, medical image processing.

GAOQinquan, born in 1986, Ph. D., associate professor. His research interests include machine learning, medical image processing.

DUMin, born in 1955, Ph. D., professor. Her research interests include medical image processing.

ConvolutionalneuralnetworkbasedmethodfordiagnosisofAlzheimer’sdisease

LIN Weiming1,2,3, GAO Qinquan1,2, DU Min1,4*

(1.CollegeofPhysicsandInformationEngineering,FuzhouUniversity,FuzhouFujian350108,China;2.FujianProvincialKeyLaboratoryofMedicalInstrumentandPharmaceuticalTechnology,FuzhouFujian350108,China;3.SchoolofOpto-ElectronicandCommunicationEngineering,XiamenUniversityofTechnology,XiamenFujian361024,China;4.FujianProvincialKeyLaboratoryofEco-IndustrialGreenTechnology,NanpingFujian354300,China)

The Alzheimer’s Disease (AD) usually leads to atrophy of hippocampus region. According to the characteristic, a Convolutional Neural Network (CNN) based method was proposed for the diagnosis of AD by using the hippocampu region in brain Magnetic Resonance Imaging (MRI). All the test data were got from the ADNI database including 188 AD and 229 Normal Control (NC). Firstly, all the brain MRI were preprocessed by skull stripping and aligned to a template space. Secondly, a linear regression model was used for age correction of brain aging atrophy. Then, after preprocessing, multiple 2.5D images were extracted from the hippocampus region in the 3D brain image for each object. Finally, the CNN was used to train and recognize the extracted 2.5D images, and the recognition results of the same object were used for the joint diagnosis of AD. The experiments were carried out by using multiple ten-fold cross validation methods. The experimental results show that the average recognition accuracy of the proposed method reaches 88.02%. The comparison results show that, compared with Stacked Auto-Encoder (SAE) method, the proposed method has improved the diagnosis effect of AD in the case of only using MRI.

Alzheimer’s Disease (AD); Convolutional Neural Network (CNN); Magnetic Resonance Imaging (MRI); Hippocampus; Computer-Aid Diagnosis (CAD)

2017- 06- 29;

2017- 09- 06。

福建省自然科學(xué)基金資助項(xiàng)目(2016J05157)；福建省中青年教師教育科研項(xiàng)目(JAT160074)；廈門市科技計(jì)劃項(xiàng)目(3502Z20153017)。

林偉銘(1983—)，男，福建漳州人，講師，博士研究生，主要研究方向：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、醫(yī)學(xué)圖像處理； 高欽泉(1986—)，男，福建福清人，副教授，博士，主要研究方向：機(jī)器學(xué)習(xí)、醫(yī)學(xué)圖像處理； 杜民(1955—)女，福建惠安人，教授，博士生導(dǎo)師，博士，主要研究方向：醫(yī)學(xué)圖像處理。

1001- 9081(2017)12- 3504- 05

10.11772/j.issn.1001- 9081.2017.12.3504

(*通信作者電子郵箱dm_dj90@163.com)

TP391.4

A