论文部分内容阅读
阿尔兹海默症(Alzheimer’s disease,AD)是一种病因未明的致死性神经退行性疾病,目前仍没有有效的治疗手段来预防、终止或扭转阿尔兹海默症的发生,是威胁老人健康的“四大杀手”之一。早期认知障碍(Mild Cognitive Impairment,MCI)是AD的前期阶段,对其进行早期诊断极其重要。目前,对于AD的诊断以及后续治疗都需要借助于医学影像。其中,无辐射的核磁共振影像技术(Magnetic Resonance imaging,MRl)在脑部疾病中的应用越来越为广泛,且MRI具有软组织分辨率高、可以多平面多序列成像等优点,在AD诊断中具有重要的指导意义。使用深度学习等人工智能的方法分析MRI图像被广泛研究,将促进AD的诊断技术的发展。本文主要使用MRI图像数据,研究深度学习方法的应用,来进行AD/MCI相关的分类预测任务,本文主要工作包括以下方面:1.根据脑部MRI数据的三维结构特点,构建了三维卷积神经网络,分析了卷积层数、池化方法、激活函数、优化器设置对网络性能的影响,确定四层卷积层、最大池化方法、Re Lu激活函数及Adam优化方法为参数时时网络模型可取得最好的分类性能。2.设计实验比较了三种AD/NC和MCI/NC的分类方法,包括三维卷积神经网络,基于Freesurfer提取的脑部关键统计特征以及其他临床诊断信息的XGBoost分类方法,深度、参数设置和三维卷积神经网络相同的二维卷积神经网络分类方法。实验结果表明,三维卷积神经网络在AD/NC和MCI/NC的分类预测中表现最优,分类准确度分别为93.3%和78.3%,远高于传统机器学习方法和二维卷积神经网络。3.研究了迁移学习方法在MCI转化预测中的应用,组合MRI数据不同平行切片生成RGB彩色图像,采用Inception V3和Res Net网络模型进行MCI样本的转化分析预测,对f MCI/s MCI分类分别取得了76.4%和72.7%的准确度。引入12、18、24个月的病情发展图像数据,可提升两种模型的分类准确度。在f MCI/s MCI分类模型中,融合免疫相关基因的表达数据和Inception V3全连接层提取的图像特征,分类准确率提升为83.2%,提升了分类效果。本文探索了三维卷积神经网络等深度学习方法用于AD的MRI图像分析,结果表明可以提高分类准确度。融合基因组学等数据,可进一步提高MCI的转化预测性能。