羅 芬

（中南民族大學生物醫(yī)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(jīng)系統(tǒng)退行性疾病，在患病早期表現(xiàn)為輕度認知障礙（Mild Cognitive Impairment，MCI），健康個體發(fā)展為阿爾茨海默病患者之間的過渡態(tài)即為MCI。隨著時間的推移一類MCI會保持相對穩(wěn)定，不會發(fā)展為AD，被稱為stable MCI（sMCI）；反之，具有較大發(fā)展為AD可能性的發(fā)展型MCI稱為develop MCI（pMCI）。對于醫(yī)生來講，在這個時期很難僅通過影像對患者的發(fā)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(fā)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(fā)展具有重大意義。

針對以往采用傳統(tǒng)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(jīng)網(wǎng)絡(luò)與高效通道注意模塊融合的網(wǎng)絡(luò)結(jié)構(gòu)，對MCI患者的結(jié)構(gòu)核磁共振圖像（sMRI）和統(tǒng)計學和神經(jīng)心理學信息組合后進行分析。

1 實驗方法

1.1 神經(jīng)網(wǎng)絡(luò)架構(gòu)

針對三維醫(yī)學圖像單個樣本數(shù)據(jù)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(fā)。本研究采用三維卷積與有效通道注意模塊結(jié)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(fā)病相關(guān)的腦區(qū)分配更多的權(quán)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(jīng)網(wǎng)絡(luò)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(shè)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(shù)量）。因此，SE模塊（squeeze and excitation networks,即SENet）中通道的權(quán)值可以這樣計算

2 圖像預處理

本研究使用的數(shù)據(jù)均來自阿爾茲海默病神經(jīng)影像計劃（ADNI）數(shù)據(jù)庫（http://adni.loni.usc.edu/），在分類之前，所有的T1加權(quán)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(shè)計

3.1 評價指標

本研究為二分類，結(jié)果計為正例（positive）和負例（negtive）,True positives（TP），F(xiàn)alse positives（FP），F(xiàn)alse 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(xù)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(yī)學圖像組）；（3）MRI+ECA（加入ECA模塊的醫(yī)學圖像組）；（4）MRI+Clinical features（醫(yī)學圖像和臨床特征結(jié)合組）；（5）MRI+Clinical features+ECA（醫(yī)學圖像和臨床特征以及ECA模塊組合組）。

4 實驗結(jié)果與討論

本研究所取得實驗組的AUC，ACC，SEN，SPE參數(shù)如表1所示，在僅使用患者年齡，性別，MMSE分數(shù)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(jīng)網(wǎng)絡(luò)的情況下獲得的AUC為0.740；MRI與臨床特征相結(jié)合的情況下采用卷積神經(jīng)網(wǎng)絡(luò)取得的AUC結(jié)果為0.890，在此神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入ECA模塊后分類結(jié)果取得了最佳值A(chǔ)UC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(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置保持不變，這包括所有層和塊的輸出率設(shè)為0.1，卷積和全連接層中所有參數(shù)的L2范數(shù)懲罰設(shè)為0.00005；卷積核權(quán)值初始化.采用Adam優(yōu)化器，以指數(shù)衰減學習率最小化目標函數(shù)損失。

實驗證明，本研究開發(fā)的融合有效通道注意模塊的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在識別出3年內(nèi)可能發(fā)展為AD的pMCI患者取得了較好的效果，在預測輕度腦疾病發(fā)展方面具有很大的潛力。