论文部分内容阅读
阿尔兹海默症(Alzheimer’s Disease,AD)是一种最为常见的神经退行性疾病,随着老龄化的加深,患病人数逐年上升。AD一经发现难以逆转,因此对AD的早期诊断尤为重要。轻度认知障碍(Mild Cognitive Impairment,MCI)是介于正常老化与痴呆间的一种中间状态。若能对AD、MCI和正常老化(Normal Control,NC)人群进行区分,并对MCI可能转化为AD的患者进行早期识别,从而进行一些早期的正向干预,将有效延缓AD的发生。结构磁共振图像(structural Magnetic Resonance Imaging,sMRI)能以无创的形式捕捉大脑细微结构异常变化,但用于AD的早期检测存在着影像数据维度高、受试者异质性高等现象。深度学习算法能从大量高维数据中自动学习特征,减小人工选择的主观性,在医学图像疾病分类和预测中得到了越来越多的关注。本文采用深度学习中卷积神经网络模型,旨在基于sMRI,实现AD、MCI及NC分类,并对MCI进行转化预测。本文主要研究内容包括:1.数据选择和深度学习平台搭建。大数据是深度学习的基础,自“阿尔兹海默症神经影像学计划”即ADNI(Alzheimer’s Disease Neuroimaging Initiative)数据库建立以来,为深度学习在AD相关疾病的发展应用提供了数据素材,但也存在着数据库过于庞大与复杂等问题,所以本文首先对ADNI进行了系统的介绍以及各个阶段的sMRI数据筛选步骤说明。深度学习框架及平台搭建是运用深度学习算法解决实际问题中不可缺少的一个环节,本文中考虑到实验数据、要求等原因,选择了在Linux系统下搭建CAFFE框架,并配置了完整的CUDA环境。2.基于sMRI和深度卷积模型建立AD、LMCI、NC的分类模型研究。虽然深度卷积网络的模型在自然图像的分类中已经取得了很高的准确率,迁移学习的方法能将已经训练好的模型高效的用在新的数据集,从而克服深度学习用于医学图像的个体差异性与数量小等问题。本章运用迁移学习的方法,结合图像识别领域著名的深度卷积网络AlexNet模型对三种不同的大脑老化阶段进行分类研究,建立一套完整的AD各病程分类模型。结果显示,此分类模型可以对AD、LMCI、NC达到较好的分类效果。3.MCI转化预测的研究。本章将MCI患者分为转化型MCI(MCI converters,MCIc)和非转化型MCI(MCI non-converters,MCInc),从而实现MCI的转化风险预测研究,从中筛选出AD患病的高危人群,能够对AD起到积极地防御作用。本章将以上一章的模型为基础,对MCInc与MCIc进行转化预测,并将早期MCI(Early MCI)和晚期MCI(Late MCI)分类。结果显示,再次构建的MCI转化预测模型能够达到比较理想的效果。本研究基于sMRI数据,运用深度卷积网络模型,将AD、MCI、NC各阶段的图像特征进行提取,再结合多种算法将这些特征降维、选择、分类,从而建立一套完整的模型,以达到实现AD各病程分类,以及筛选出MCI阶段具有向AD转化的高危人群的目的。