论文部分内容阅读
阿尔茨海默症(Alzheimer’s disease,AD)是一种常见于老年人的脑退行性疾病,它不可逆转且目前缺乏有效的治愈药物。在社会老龄化问题日显突出的今天,越来越多老年人不但承受着AD带来的伤害,而且给家庭也造成了很大影响。虽然目前还未发现有效的治愈方法,但是若能对AD的早期阶段进行准确诊断,对患者实施有效的干预措施可以延缓病情的恶化,改善患者的生活质量,同时在研发新型药物方面也具有重大意义。结构和功能性神经影像技术是诊断AD的有效方法,例如磁共振成像(Magnetic Resonance Imaging,MRI)和正电子发射断层扫描(Positron Emission Tomography,PET)已被证明有助于了解与AD相关的结构解剖和功能性神经变化情况。随着近年来深度学习方法研究的快速发展,特别是卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)在各领域不断取得突破,使得越来越多的深度学习方法开始应用于AD的早期诊断研究。本文研究了基于卷积循环神经网络并结合MRI和PET两种模态数据来提高AD的早期诊断效果,同时确定与AD相关的生物标记物,主要研究内容如下:(1)结合当前AD的研究热点提出了多切片CNN集成模型方法,该方法将三维的MRI和PET图像沿矢状面、冠状面和横断面分解成大量二维切片,并根据分解方向将其划分为多个不同的group数据集,每个group数据集单独训练测试一个CNN模型,之后将三个分解方向的CNN模型预测结果进行集成分类。实验结果表明,该方法与对比方法相比具有更高的准确率,说明多切片CNN集成模型方法具有较强的分类性能。(2)针对三维图像切片操作导致空间信息丢失的问题,我们提出了CNN+RNN的卷积循环神经网络模型集成方法,用于提取二维切片内和切片间的特征进行集成学习。本文将CNN+RNN称为基学习器,使用验证集挑选矢状面、冠状面和横断面准确率排在Top3的基学习器进行AD的集成分类。通过MRI、PET的单模态以及这两种模态融合的实验结果表明,加入RNN模型和多模态融合在一定程度上有助于AD分类准确率的提升。(3)为了减少Top3的人为设定所带来的主观因素,同时考虑到十折交叉验证中不同折验证集之间的差异性导致基学习器的选择有所不同,我们提出了卷积循环神经网络模型与遗传算法(Genetic Algorithm,GA)相结合的方法,使用自动寻优的技术,在每一折交叉验证中,挑选在验证集上表现最优的基学习器组合进行AD的集成分类。实验结果表明,该方法不但大幅度提高了AD的诊断分类效果,而且所确定的AD相关生物标记物大部分与现有的经验知识保持一致,充分说明了我们方法的有效性。