王 斌， 吳曉紅， 辜 蕊， 卿粼波， 何小海

（1 四川大學(xué) 電子信息學(xué)院， 成都 610065； 2 西南交通大學(xué)附屬醫(yī)院＆成都市第三人民醫(yī)院 神經(jīng)內(nèi)科， 成都 610031）

0 引 言

阿爾茲海默癥（Alzheimer Disease， AD）是一種常見的中樞神經(jīng)系統(tǒng)退行性疾?。?］，特點(diǎn)是認(rèn)知和記憶能力呈進(jìn)行性惡化，嚴(yán)重影響患者的日常生活。世界衛(wèi)生組織（WHO）預(yù)計(jì)2030 年全球?qū)⒂? 200萬(wàn)癡呆癥患者，2050 年將達(dá)到1.52 億。 國(guó)內(nèi)目前AD 患者已超過600 萬(wàn)人，預(yù)計(jì)2050 年將超過2 000萬(wàn)。 這將給患者、家庭、社會(huì)帶來(lái)沉重的負(fù)擔(dān)［2］。其中，隨著年齡的增長(zhǎng)，患病風(fēng)險(xiǎn)在不斷地增大［3-4］，輕度認(rèn)知障礙（Mild Cognitive Impairment，MCI）是AD 的前驅(qū)，也是正常人（Control Normal，CN）到阿爾茲海默癥患者的過渡狀態(tài)［5］。 大量的臨床研究表明，如果對(duì)MCI 患者進(jìn)行藥物干預(yù)和護(hù)理，可以延緩疾病的發(fā)展速度，穩(wěn)定患者病情［6］。然而迄今為止，臨床診斷中沒有一種標(biāo)準(zhǔn)的診斷方法，這種方式耗費(fèi)大量的人力、物力，延長(zhǎng)患者的確診時(shí)間，進(jìn)一步加劇了醫(yī)療資源緊缺的問題。 因此，社會(huì)迫切需要研究人員以AD 診斷為切入點(diǎn)，以快速篩查、精準(zhǔn)評(píng)估為目的，致力于開發(fā)優(yōu)秀的算法框架來(lái)對(duì)疾病數(shù)據(jù)進(jìn)行計(jì)算機(jī)輔助診斷，提高醫(yī)生的診斷效率，減輕社會(huì)負(fù)擔(dān)。

隨著醫(yī)學(xué)影像技術(shù)的不斷發(fā)展和完善，各種影像技術(shù)被廣泛地應(yīng)用于腦部疾病的診斷和研究，例如正電子斷層掃描（Positron Emission Computed Tomography， PET ）、 磁 共 振 成 像 （ Magnetic Resonance Imaging， MRI）、彌散張量成像（Diffusion Tensor Image， DTI）等醫(yī)學(xué)影像技術(shù)［7］。 其中，MRI因能夠精確直觀地顯示腦部子結(jié)構(gòu)、萎縮程度以及異常病變，圖像分辨率高，成本較低而得到廣泛使用［8］。 醫(yī)學(xué)影像數(shù)據(jù)大都維度較高，數(shù)據(jù)量大且復(fù)雜，利用人工方式辨別MRI 圖像中的AD、MCI、CN病理學(xué)特征需要很強(qiáng)的專業(yè)知識(shí)和經(jīng)驗(yàn)，如圖1 所示。 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）因其有很強(qiáng)的自動(dòng)特征提取能力，可以從復(fù)雜數(shù)據(jù)中挖掘出與疾病相關(guān)的大量細(xì)節(jié)特征和病變位置，從而被研究人員廣泛關(guān)注。

1998 年，Lecun 學(xué)者［9］提出LeNet 網(wǎng)絡(luò)并在論述其網(wǎng)絡(luò)結(jié)構(gòu)時(shí)首次使用了卷積一詞，卷積神經(jīng)網(wǎng)絡(luò)也因此得名。 目前，針對(duì)阿爾茲海默癥的計(jì)算機(jī)輔助診斷研究主要以深度卷積神經(jīng)網(wǎng)絡(luò)為主。 經(jīng)典的CNN 模型一般由輸入層、卷積層、池化層、全連接層以及輸出層構(gòu)成，其提取的是二維圖像的靜態(tài)空間特征。 鄧爽等學(xué)者［10］提出基于MRI 切片的VGG弱監(jiān)督細(xì)粒度AD 分類模型。 曾安等學(xué)者［11］提出基于CNN 和集成學(xué)習(xí)的多切片集成分類模型用于早期阿爾茲海默癥診斷。 Xing 等學(xué)者［12］通過將MRI 動(dòng)態(tài)壓縮成2D 的影像在準(zhǔn)確度上獲得了一定的提升。 但MRI 醫(yī)學(xué)影像為三維結(jié)構(gòu)，基于二維MRI 切片的研究忽略了切片之間的空間相關(guān)性，因此隨著計(jì)算機(jī)計(jì)算能力的提升，采用三維CNN 模型研究完整的MRI 三維影像成了主流。 該方式相較于切片的方式具有更加豐富的像素信息，提取的全腦特征將比二維切片更豐富。 Maqsood 等學(xué)者［13］基于AlexNet 構(gòu)建了三維卷積神經(jīng)網(wǎng)絡(luò)對(duì)阿爾茲海默癥進(jìn)行了AD／CN 二分類。 Kruthika 等學(xué)者［14］通過構(gòu)建圖像內(nèi)容檢索與膠囊網(wǎng)絡(luò)組合提出了一種3D 自編碼的卷積神經(jīng)網(wǎng)絡(luò)。

綜上所述，基于二維CNN 模型處理MRI 切片數(shù)據(jù)，不能充分利用影像中所包含的全腦信息，但是基于三維CNN 的方法存在計(jì)算量大、準(zhǔn)確率不高的問題。 因此本文以ResNet 為基礎(chǔ)減少計(jì)算量，設(shè)計(jì)了基于MRI 影像的阿爾茲海默癥分類網(wǎng)絡(luò)。 實(shí)驗(yàn)結(jié)果表明，本文提出的模型具有良好的分類識(shí)別率。

1 數(shù)據(jù)集構(gòu)建

1．1 ADNI 數(shù)據(jù)集

本文使用的數(shù)據(jù)來(lái)自阿爾茲海默癥神經(jīng)成像計(jì)劃 （Alzheimer ′ s Disease Neuroimaging Initiative，ADNI）［15］。 ADNI 數(shù)據(jù)庫(kù)由美國(guó)國(guó)立衛(wèi)生研究院衰老研究所（National Institute on Aging， NIA）、生物醫(yī)學(xué)成像與生物工程研究所（National Institute of Biomedical Imaging and Bioengineering， NIBIB） 等組織于2004 年聯(lián)合建立。 阿爾茲海默癥神經(jīng)成像計(jì)劃（http:／ ／adni.loni.usc.edu／）是一項(xiàng)縱向多中心研究，分為ADNI-1、ADNI-GO、ADNI-2 和ADNI-3四個(gè)推進(jìn)階段，旨在開發(fā)臨床、成像、遺傳和生化生物標(biāo)志物，用于阿爾茨海默病（AD） 的早期檢測(cè)和跟蹤。 本文數(shù)據(jù)是選取ADNI1、ADNI2 和ADNI GO計(jì)劃的場(chǎng)強(qiáng)為1.5T，T1 加權(quán)的MRI 影像，總體數(shù)量為8 600張。 數(shù)據(jù)集中AD、MCI、CN 的圖片見圖1。

1．2 數(shù)據(jù)集劃分

采用多數(shù)研究者的數(shù)據(jù)劃分方法處理下載的數(shù)據(jù)，隨機(jī)打亂樣本后劃分訓(xùn)練集和測(cè)試集，樣本分布情況見表1。

表1 Non－standard Dataset 數(shù)據(jù)集分布情況Tab． 1 The distribution of Non－standard Dataset

表1 中，Sub表示樣本人數(shù)，Age表示樣本平均年齡與標(biāo)準(zhǔn)差；MMSE，CDR，CDR - SOB分別表示樣本所對(duì)應(yīng)量表平均得分及標(biāo)準(zhǔn)差。

但是該數(shù)據(jù)集是存在數(shù)據(jù)泄露的。 通過隨機(jī)打亂樣本后劃分訓(xùn)練集和測(cè)試集，同一個(gè)人不同時(shí)期的腦部影像數(shù)據(jù)同時(shí)出現(xiàn)在訓(xùn)練集和測(cè)試集中，從而導(dǎo)致實(shí)驗(yàn)中分類準(zhǔn)確率虛高，實(shí)踐中準(zhǔn)確率驟降的數(shù)據(jù)泄露情況。 另外，在數(shù)據(jù)劃分前進(jìn)行數(shù)據(jù)增強(qiáng)或預(yù)處理，訓(xùn)練集和測(cè)試集中找到同一原始圖像生成的圖像，也會(huì)導(dǎo)致數(shù)據(jù)泄露。

在深度學(xué)習(xí)時(shí)代，數(shù)據(jù)與算法同樣重要，深度學(xué)習(xí)模型需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練。 為了更好地衡量分類網(wǎng)絡(luò)的真實(shí)預(yù)測(cè)能力，保證分類網(wǎng)絡(luò)在實(shí)際應(yīng)用中具有較好的泛化性能，本文制定新的數(shù)據(jù)集劃分策略，并建立對(duì)應(yīng)的數(shù)據(jù)集。 劃分策略主要按照個(gè)體ID 進(jìn)行劃分，避免同一個(gè)人不同時(shí)期的數(shù)據(jù)同時(shí)出現(xiàn)在訓(xùn)練集和測(cè)試集中，并分別劃分為AD，MCI 和CN 三類，每一類包含均衡的訓(xùn)練集和測(cè)試集。

ADNI 數(shù)據(jù)集中對(duì)每個(gè)病人的各項(xiàng)測(cè)試指標(biāo)進(jìn)行了收集，測(cè)試指標(biāo)高達(dá)100 多項(xiàng)，包括年齡、病癥、檢測(cè)日期、量表得分等相關(guān)數(shù)據(jù)，而癡呆也分為老年癡呆、血管性癡呆、額顳葉癡呆、路易體癡呆以及帕金森癡呆等5 種，本文主要研究阿爾茲海默癥、即老年癡呆，因此在劃分?jǐn)?shù)據(jù)集時(shí)需引入其他參數(shù)來(lái)盡可能排除掉其他類型的癡呆以及確保數(shù)據(jù)集能展示出阿爾茲海默癥普遍的患病過程與特點(diǎn)。 在臨床醫(yī)生的指導(dǎo)下，選取樣本的以下3 種統(tǒng)計(jì)參數(shù)來(lái)做數(shù)據(jù)集的均衡處理:

（1） 性別:在AD 患者中，相比于男性患者，女性患者平均壽命更長(zhǎng)，患病率更低，并且MCI 向AD的過渡期更長(zhǎng)，變化過程更緩慢。 研究表明這是因?yàn)樾匀旧w在調(diào)節(jié)阿爾茲海默癥相關(guān)方面有一定作用［16］。 因此在劃分?jǐn)?shù)據(jù)時(shí)，應(yīng)盡量使數(shù)據(jù)集中男女比例一致。

（2）年齡:年齡是阿爾茲海默癥最大風(fēng)險(xiǎn)因素之一。 《World Alzheimer Report 2021 Journey through the diagnosis of dementia》［17］指出，超過80%的阿爾茲海默癥患者都在65 歲及以上。 隨著年齡的增長(zhǎng)，患阿爾茲海默癥的風(fēng)險(xiǎn)急劇增加。 而影像學(xué)中的腦部結(jié)構(gòu)會(huì)隨著年齡的增長(zhǎng)而不斷變化，出現(xiàn)腦部萎縮現(xiàn)象不一定就能證明患有阿爾茲海默癥。 因此不能僅以腦萎縮程度來(lái)劃分?jǐn)?shù)據(jù)集，年齡分布也應(yīng)是數(shù)據(jù)集劃分的重要依據(jù)。

（3） 認(rèn)知測(cè)試量表:認(rèn)知測(cè)試量表是由臨床神經(jīng)科醫(yī)生用來(lái)評(píng)估患者一般認(rèn)知、記憶、語(yǔ)言表達(dá)、邏輯判斷、視覺等能力的神經(jīng)心理學(xué)測(cè)試。 通過詢問知情者和患者本人，對(duì)每個(gè)項(xiàng)目進(jìn)行評(píng)分，可以準(zhǔn)確地檢查出被試者的整體認(rèn)知能力，是診斷AD 的一個(gè)強(qiáng)有力的指標(biāo)。 影像學(xué)是能夠從腦部結(jié)構(gòu)性和功能性變化的角度對(duì)腦部進(jìn)行評(píng)估，并未能從患者認(rèn)知角度評(píng)估。 因此劃分?jǐn)?shù)據(jù)集是不能只從影像學(xué)角度劃分，也應(yīng)考慮到認(rèn)知測(cè)試量表結(jié)果。 本文參考的量表如下:

①M(fèi)MSE: 簡(jiǎn)易精神狀態(tài)評(píng)價(jià)量表（Minimental State Examination，MMSE），該量表廣泛用于癡呆癥的篩查，測(cè)試內(nèi)容包括時(shí)間定向力、地點(diǎn)定向力、即刻記憶、注意力、計(jì)算力、延遲記憶、語(yǔ)言、視空間。 評(píng)價(jià)標(biāo)準(zhǔn)為:得分在［0， 9］區(qū)間為重度認(rèn)知障礙；［10， 20］區(qū)間為中度認(rèn)知功能障礙；［21， 26］區(qū)間為輕度認(rèn)知障礙；［27， 30］區(qū)間為正常。

②CDR:臨床癡呆分級(jí)量表（Clinical Dementia Rating，CDR），該量表測(cè)試內(nèi)容包括記憶、定向、判斷和解決問題、工作及社交能力、家庭生活和愛好、獨(dú)立生活能力。 評(píng)價(jià)標(biāo)準(zhǔn)為:0 分是正常，0.5 分是可疑，1、2 和3 分則代表了輕度、中度和重度癡呆。

③CDR - SOB: 臨床癡呆評(píng)分總和（Clinical Dementia Rating Scale-sum of Boxes，CDR - SOB），測(cè)試內(nèi)容包括行為紊亂、語(yǔ)言評(píng)估、記憶、定向、判斷和解決問題、工作及社交能力、家庭生活和愛好、獨(dú)立生活能力。 評(píng)分為0 評(píng)定為正常；評(píng)分介于0.5～4.0 評(píng)定為可疑認(rèn)知障礙；評(píng)分在4.5 以上評(píng)定為癡呆。

依據(jù)上述劃分規(guī)則，構(gòu)建一個(gè)無(wú)泄露的標(biāo)準(zhǔn)化數(shù)據(jù)集Standard-Dataset，數(shù)據(jù)集統(tǒng)計(jì)分布情況見表2。表2 中，M表示男性數(shù)量，F(xiàn)表示女性數(shù)量。

表2 Standard Dataset 數(shù)據(jù)集分布情況Tab． 2 The distribution of Standard Dataset

2 基于改進(jìn)ResNet 的阿爾茲海默癥分類網(wǎng)絡(luò)設(shè)計(jì)

針對(duì)阿爾茲海默癥確診過程中出現(xiàn)的腦部結(jié)構(gòu)萎縮、異常蛋白累積與神經(jīng)纖維纏結(jié)等特點(diǎn)［18］，以ResNet 為基礎(chǔ)網(wǎng)絡(luò)，結(jié)合注意力機(jī)制的特點(diǎn)，搭建了基于改進(jìn)ResNet 的阿爾茲海默癥分類網(wǎng)絡(luò)。

2．1 ResNet 網(wǎng)絡(luò)

ResNet 由He 等學(xué)者［19］提出，其主要思想是在網(wǎng)絡(luò)中增加直連通道以允許保留之前網(wǎng)絡(luò)層的一定比例輸出，即引入殘差模塊如圖2 所示，從而在一定程度上解決了在網(wǎng)絡(luò)越來(lái)越深的過程中梯度消失和梯度爆炸的問題，同時(shí)降低了參數(shù)，效果突出。 殘差模塊主要由卷積層和短連接組成，其計(jì)算公式為:

圖2 殘差模塊結(jié)構(gòu)圖Fig． 2 Residual module structure diagram

其中，Yn，Xn分別表示第n層的輸出和輸入；Wn表示卷積模塊的權(quán)重參數(shù)；F（Xn，Wn） 表示在過程中網(wǎng)絡(luò)模型所學(xué)習(xí)到的參數(shù)。

2．2 注意力機(jī)制

注意力機(jī)制主要分為兩大類［20］:軟注意力機(jī)制（soft attention）與硬注意力機(jī)制（hard attention）。 其中，軟注意力機(jī)制通過自適應(yīng)加權(quán)的方式為輸入對(duì)象的每個(gè)特征賦予不同的權(quán)重，選擇性忽略不重要的信息，提取出重要的信息并且賦予較大的權(quán)重。硬注意力機(jī)制對(duì)特征權(quán)重的分配只有0 和1 兩種，表明硬注意力機(jī)制只會(huì)關(guān)注重要信息，其他信息完全舍棄，從而有可能導(dǎo)致對(duì)模型有用的細(xì)微信息的丟失。 目前，深度學(xué)習(xí)大多采用軟注意力機(jī)制。

在軟注意力機(jī)制中，通道注意力機(jī)制不僅僅在空間上關(guān)注信息，并且更注重各個(gè)通道之間的權(quán)重關(guān)系，對(duì)各個(gè)通道相互間的依賴程度進(jìn)行調(diào)整，同時(shí)抑制一些作用較小的特征，幫助網(wǎng)絡(luò)提取更精確的特征。 比如SENet 通道注意力機(jī)制［21］，三維結(jié)構(gòu)如圖3 所示。

圖3 SE 通道注意力模塊示意圖Fig． 3 SE channel attention module schematic

為了獲得通道上的注意力，長(zhǎng)度、寬度、高度和通道數(shù)為L(zhǎng) ×W ×H ×C特征圖uc輸入之后，先通過基于特征圖的長(zhǎng)寬高進(jìn)行全局平均池化，使空間特征降維到1×1×1×C的特征圖譜，并獲得全局的感受野。 可由如下公式進(jìn)行描述:

然后，使用兩個(gè)全連接層和非線性激活函數(shù)ReLU來(lái)學(xué)習(xí)各個(gè)通道之間的非線性關(guān)系，對(duì)此可表示為:

最后，經(jīng)過Sigmoid激活函數(shù)獲得歸一化權(quán)重，再通過乘法逐通道加權(quán)到原始特征圖的每一個(gè)通道上，完成通道注意力對(duì)原始特征的重新標(biāo)定。 此處需用到的數(shù)學(xué)公式為:

2．3 基于改進(jìn)ResNet 的阿爾茲海默癥分類網(wǎng)絡(luò)

本文設(shè)計(jì)的網(wǎng)絡(luò)主要由輸入模塊、特征提取模塊、通道注意力模塊和輸出模塊構(gòu)成，網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。 其中，輸入模塊根據(jù)MRI 醫(yī)學(xué)影像分辨率不高，需關(guān)注的細(xì)節(jié)特征更多的特點(diǎn)，采用3×3×3卷積來(lái)提取淺層特征，避免丟失有效的信息。 特征提取模塊由連續(xù)4 層的通道分離殘差子模塊組成，通道分離殘差模塊主要是進(jìn)行特征提取，充分組合低維和高維特征并減少重復(fù)的梯度信息，連續(xù)4 層的通道分離殘差模塊（R1、R2、R3、R4） 區(qū)別在于通道數(shù)是依次減半的，采用此結(jié)構(gòu)的原因有2 點(diǎn):首先，MRI 影像中淺層特征在阿爾茲海默癥的臨床研究中有著重要意義，而為了提取充分的淺層特征，就需要在特征提取初期多設(shè)置卷積核來(lái)提取。 其次，高維特征在提取過程中，設(shè)置較小的通道數(shù)可以起到降維和正則化的作用，從而避免出現(xiàn)過擬合現(xiàn)象。通道注意力模塊主要是通過分配通道之間的權(quán)重，調(diào)整通道之間的依賴程度，能夠讓模型關(guān)注到信息量最大的通道特征，同時(shí)抑制一些不重要的特征，從而幫助網(wǎng)絡(luò)提取到更加精確的特征。 輸出模塊先采用全連接層進(jìn)行特征降維，再利用Softmax得到預(yù)測(cè)分類的概率，選取最大的概率作為結(jié)果輸出。

圖4 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig． 4 Structure topology of the network

分析可知，通道分離殘差模塊是針對(duì)在阿爾茲海默癥的MRI 影像的研究中，既要關(guān)注非線性的高維特征，也需要得到諸如海馬體大小、灰質(zhì)白質(zhì)分布等低維特征的特點(diǎn)而設(shè)計(jì)的，并保留了殘差模塊有效防止梯度爆炸、且參數(shù)少的特點(diǎn)。 結(jié)構(gòu)如圖5 所示。

圖5 通道分離殘差模塊結(jié)構(gòu)圖Fig． 5 Structure diagram of channel separation residual module

將輸入的特征圖譜x，經(jīng)過分離層后分為x1和x2兩條特征提取路徑，推得的數(shù)學(xué)公式具體如下:

其中，c為通道數(shù)。

由式（5）可知，x1通過卷積層、歸一化和激活函數(shù)，提取抽象的非線性高級(jí)特征，而x2不做任何操作，保留淺層特征。 接下來(lái)，將2 條路徑所提取的特征按公式（6）進(jìn)行通道融合得到輸出Y:

其中，f表示對(duì)x1和x2兩條路徑的特征融合操作；F表示對(duì)x1進(jìn)行卷積、歸一化和激活函數(shù)操作；W表示權(quán)重參數(shù)。

該模塊通過分離通道，使梯度流在不同網(wǎng)絡(luò)路徑傳播，有效防止過多的重復(fù)梯度信息，隨后將2 部分所提取的特征融合，充分組合低維和高維特征，從而大大提升了網(wǎng)絡(luò)的學(xué)習(xí)能力，保持網(wǎng)絡(luò)的穩(wěn)定性，并明顯減少了計(jì)算成本。

激活函數(shù)選用的是2019 年提出的Mish激活函數(shù)［22］，其表達(dá)式為:

Mish函數(shù)曲線如圖6 所示。 從圖6 可以看出，Mish函數(shù)負(fù)值的時(shí)候并不是完全截?cái)啵窃试S比較小的負(fù)梯度流入，從而保證信息流動(dòng)，避免了硬邊界帶來(lái)的信息缺失。 激活函數(shù)無(wú)邊界的特點(diǎn)，避免了梯度飽和這一問題。Mish函數(shù)在曲線上處處平滑，能夠做到更好的特征選擇，讓更具有代表性的特征進(jìn)入網(wǎng)絡(luò)中，達(dá)到更高的準(zhǔn)確性和更好的泛化性。

圖6 Mish 函數(shù)曲線圖Fig． 6 Mish function curve

3 實(shí)驗(yàn)結(jié)果及分析

3．1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)的硬件環(huán)境是24 GB NVIDIA 3090Ti顯卡，Ubuntu 18.04 系統(tǒng)，實(shí)驗(yàn)代碼基于Python、Pytorch 和Cuda 框架實(shí)現(xiàn)。 模型訓(xùn)練選用Adam優(yōu)化器更新模型參數(shù)，通過正弦振蕩方式調(diào)節(jié)學(xué)習(xí)率，初始學(xué)習(xí)率為0.01，選取振蕩周期為20，衰減最小值為0.000 01。

3．2 評(píng)價(jià)指標(biāo)

本 文 將 采 取 準(zhǔn) 確 率 （Accuracy）、 敏 感 性（Sensitivity）、特異性（Specificity） 來(lái)作為分類任務(wù)的評(píng)價(jià)指標(biāo)。 對(duì)此展開分述如下。

（1）準(zhǔn)確率（Acc）。 表示預(yù)測(cè)正確的樣本數(shù)量與總樣本量的比值。 數(shù)學(xué)定義公式見如下:

（2）敏感度（Sen）。 表示分類器識(shí)別正實(shí)例占所有正實(shí)例的比值。 數(shù)學(xué)定義公式見如下:

（3）特異性（Spe）。 表示分類器識(shí)別預(yù)測(cè)為負(fù)實(shí)例占所有負(fù)實(shí)例的比值。 數(shù)學(xué)定義公式見如下:

式（8）～式（10）中，TP、TN、FP和FN分別表示真陽(yáng)性、真陰性、假陽(yáng)性和假陰性。

3．3 實(shí)驗(yàn)流程

將從ANDI 上下載的數(shù)據(jù)經(jīng)過配準(zhǔn)與空間標(biāo)準(zhǔn)化操作使獲取的MRI 影像投射到一個(gè)統(tǒng)一標(biāo)準(zhǔn)的空間中，再通過平滑處理降低噪聲干擾，另外通過數(shù)據(jù)增強(qiáng)來(lái)保證足量的圖像數(shù)據(jù)來(lái)訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，最后將按照給定的方式劃分的數(shù)據(jù)送入對(duì)應(yīng)的網(wǎng)絡(luò)，輸出分類結(jié)果。

3．4 實(shí)驗(yàn)結(jié)果與分析

本文主要針對(duì)二分類AD／CN、MCI／CN 和三分類AD／MCI／CN 開展研究，可為臨床醫(yī)生診斷和研究提供參考。 首先，在Non-standard Dataset 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，并與前沿算法做比較，驗(yàn)證本文所提出模型的有效性。 前沿網(wǎng)絡(luò)分類準(zhǔn)確率對(duì)比見表3。

表3 前沿網(wǎng)絡(luò)分類準(zhǔn)確率對(duì)比Tab． 3 Comparison of classification accuracy of frontier networks%

由表3 可以看出，本文的方法在三分類AD／MCI／CN 準(zhǔn)確率達(dá)到了83.54 個(gè)百分點(diǎn)，二分類AD／CN 和MCI／CN 準(zhǔn)確率為95.27 個(gè)百分點(diǎn)和85.07 個(gè)百分點(diǎn)，指標(biāo)上均高于前沿的算法。 其中，Puente 等學(xué)者［23］使用MRI 影像切片作為輸入，采用2D-CNN進(jìn)行特征提取，同時(shí)結(jié)合了病例的年齡和性別信息進(jìn)行輔助分類。 Aderghal 等學(xué)者［24］對(duì)MRI 影像的海馬體區(qū)域進(jìn)行切割，采用遷移學(xué)習(xí)的方法進(jìn)行分類。 Zhang 等學(xué)者［25］對(duì)MRI 影像進(jìn)行分割，提取感興趣區(qū)域的體積信息作為特征，輸入分類器進(jìn)行分類。 Kang 等學(xué)者［26］提出了基于二維CNN 的集成學(xué)習(xí)體系結(jié)構(gòu)，采用多片集成學(xué)習(xí)獲取空間特征，多模型集成學(xué)習(xí)降低了預(yù)測(cè)錯(cuò)誤率。 對(duì)比文件的數(shù)據(jù)集情況見表4。 這些前沿算法采用的數(shù)據(jù)集來(lái)源和病癥比例不盡相同，并且數(shù)據(jù)泄露的程度也不盡相同，從而導(dǎo)致結(jié)果也有所不同。 因此只能就對(duì)比方法進(jìn)行定性分析，粗略地評(píng)判網(wǎng)絡(luò)的有效性；同時(shí)也說明構(gòu)建標(biāo)準(zhǔn)統(tǒng)一且劃分科學(xué)的數(shù)據(jù)集的必要性。 總體來(lái)說，本文所提出的方法在阿爾茲海默癥的分類任務(wù)上處于領(lǐng)先水平。

表4 對(duì)比方法所用的數(shù)據(jù)集Tab． 4 The data set used to compare files

其次，在Standard-Dataset 數(shù)據(jù)集下，對(duì)開源算法和主流網(wǎng)絡(luò)進(jìn)行復(fù)現(xiàn)，驗(yàn)證本文模型的魯棒性。不同網(wǎng)絡(luò)分類準(zhǔn)確率對(duì)比見表5。

表5 不同網(wǎng)絡(luò)分類準(zhǔn)確率對(duì)比Tab． 5 Comparison of classification accuracy of different networks%

由表5 可以看出，三維CNN 網(wǎng)絡(luò)的準(zhǔn)確度高于二維CNN 網(wǎng)絡(luò)的準(zhǔn)確度，證明了針對(duì)阿爾茲海默癥的MRI 影像研究，3D 體素?cái)?shù)據(jù)比2D 切片數(shù)據(jù)具有更多的信息，更具有研究?jī)r(jià)值。 其中，2D 切片數(shù)據(jù)是選用MRI 影像信息較多的前后5 張切片圖像（橫斷面維度60、冠狀面維度60、矢狀面維度50）拼接而成。

Liu 等學(xué)者［27］提出了由3D 卷積、實(shí)例正則化、ReLU激活函數(shù)和最大池化組成的特征提取模塊，并堆疊4 層該模塊進(jìn)行特征提取，隨后利用全連接層進(jìn)行分類輸出，與本文的結(jié)構(gòu)類似。 通過對(duì)分類任務(wù)結(jié)果進(jìn)行對(duì)比可以得出，本文提出的網(wǎng)絡(luò)模型分類準(zhǔn)確率全面高于基礎(chǔ)網(wǎng)絡(luò)，略高于Liu 等學(xué)者［27］的方法，表明本文對(duì)基礎(chǔ)網(wǎng)絡(luò)的改進(jìn)是有利于開展阿爾茲海默癥分類的。

在AD／CN 和MCI／CN 兩個(gè)二分類任務(wù)上對(duì)比不同分類網(wǎng)絡(luò)的敏感性和特異性結(jié)果，見表6。

表6 不同網(wǎng)絡(luò)敏感性與特異性結(jié)果對(duì)比Tab． 6 Comparison of sensitivity and specificity of different networks%

通過表6 可以看出，本文提出的模型在AD 敏感性、特異性和MCI 敏感性、特異性上都有較好的表現(xiàn)，能夠有效降低疾病的誤診率與漏診率；但是MCI 的特異性普遍偏低，這與MCI 的病理特征相較AD 與CN 病理特征不明顯有關(guān)。

表5 和表6 的結(jié)果充分證明本文分類模型的魯棒性。 從表5 與表3 的實(shí)驗(yàn)結(jié)果可得:相比Standard-Dataset 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果，本文的方法在Non-standard Dataset 數(shù)據(jù)集上各分類任務(wù)準(zhǔn)確率都有大幅提升。 其中，三分類和MCI／CN 分類準(zhǔn)確率提高20 個(gè)百分點(diǎn)，AD／CN 分類準(zhǔn)確率提高了近10 個(gè)百分點(diǎn)，仿真結(jié)果說明數(shù)據(jù)泄露在算法實(shí)際應(yīng)用中的不良影響。

另外，本文針對(duì)通道注意力模塊的嵌入的位置也進(jìn)行了消融和對(duì)比實(shí)驗(yàn)，來(lái)驗(yàn)證通道注意模塊的有效性以及確定最佳嵌入位置。 以AD／CN 分類任務(wù)為例開展實(shí)驗(yàn)，數(shù)據(jù)集選用Standard-Dataset，實(shí)驗(yàn)結(jié)果見表7。

表7 通道注意力模塊嵌入位置結(jié)果對(duì)比Tab． 7 Comparison of embedding position results of channel attention module %

根據(jù)結(jié)果可以看出，對(duì)比實(shí)驗(yàn)1 和實(shí)驗(yàn)2 ～6 可得，通道注意力模塊的引入對(duì)于提升模型的分類準(zhǔn)確率是有效的，對(duì)比實(shí)驗(yàn)2 ～5 可以得出，通道注意力模塊引入到通道分離殘差模塊R4之后效果最好。R4模塊是特征提取的最后一個(gè)模塊，提取到的特征更能體現(xiàn)AD／CN 分類任務(wù)的區(qū)別，配合通道注意力模塊，調(diào)整通道之間的依賴關(guān)系，讓網(wǎng)絡(luò)更加關(guān)注重要特征，提取到更加精確的分類特征，從而能進(jìn)一步提升分類的準(zhǔn)確率。 另外，實(shí)驗(yàn)表明通道注意力模塊分別加入到R2和R4之后都能起到不錯(cuò)的效果，因此設(shè)計(jì)了實(shí)驗(yàn)6，在R2和R4之后都加入通道注意力模塊，各項(xiàng)指標(biāo)相較于實(shí)驗(yàn)5 沒有較大的提升，并還引入了更多數(shù)據(jù)運(yùn)算量，耗費(fèi)內(nèi)存。 根據(jù)奧卡姆剃刀原理，如無(wú)必要，勿增實(shí)體。 根據(jù)實(shí)驗(yàn)結(jié)果和理論證明，在模塊R4之后嵌入通道注意力模塊能夠達(dá)到更好的效果。

4 結(jié)束語(yǔ)

本文主要根據(jù)阿爾茲海默癥各階段的MRI 影像特點(diǎn)設(shè)計(jì)了基于改進(jìn)ResNet 的阿爾茲海默癥的分類網(wǎng)絡(luò)。 首先，針對(duì)目前研究中用到的數(shù)據(jù)集中構(gòu)建出現(xiàn)的問題，在臨床醫(yī)生的指導(dǎo)下制定了數(shù)據(jù)集的合理劃分策略；然后，將處理后的數(shù)據(jù)送入通道分離殘差模塊提取網(wǎng)絡(luò)的淺層特征和深層特征，并防止重復(fù)的梯度信息；將提取后的特征送入通道注意力模塊調(diào)整通道之間的權(quán)重，得到更加精確的分類特征；最后，將特征矩陣送入線性分類層輸出分類結(jié)果，實(shí)驗(yàn)結(jié)果已經(jīng)達(dá)到同領(lǐng)域的領(lǐng)先水平，并且也通過設(shè)置對(duì)比實(shí)驗(yàn)證明了科學(xué)劃分?jǐn)?shù)據(jù)集的重要性。 但是，針對(duì)目前的研究中僅輸入MRI 影像數(shù)據(jù)較難準(zhǔn)確區(qū)分出MCI 的問題，后續(xù)將模仿醫(yī)生的就診過程對(duì)量表、影像數(shù)據(jù)、基因數(shù)據(jù)等進(jìn)行基于多模態(tài)數(shù)據(jù)的阿爾茲海默癥分類技術(shù)研究。