检索历史 清除

摘要阿尔兹海默症(Alzheimer's Disease, AD)是目前最难以治愈的老年性疾病之一，严重影响了老年人及其家属的生活质量。轻度认知障碍(Mild Cognitive Impairment, MCI)是AD早期的一种状态，通常会被误认为是正常衰老的表现而错过了最佳的治疗时机，因此准确地诊断出MCI对AD的早期发现和早期治疗至关重要。本文提出了一个模拟临床医生诊断过程的AD早期辅助诊断深度学习模型。<br>　　神经影像学是诊断患者大脑结构性和功能性改变的重要方法，对AD的早期诊断和预测具有重要作用。本文利用临床诊断AD常用的PET和MRI影像，通过卷积神经网络训练出识别PET和MRI图像准确率较高的模型。首先在相似的数据集上进行预训练，将训练好的模型参数迁移到新的网络中。在ADNI(Alzheimer's Disease Neuroimaging Initiative, ADNI)数据集上，采用两个独立的卷积神经网络(VGGNet-16)，并对网络原始的激活函数ReLU改进采用PReLU函数，分别学习PET影像和MRI影像特征，训练出AD影像诊断模型。本文在不更改样本类别的前提下，通过旋转、缩放、灰度对比度调节等方法对图像进行处理以扩充数据集，弥补不同姿态样本数少的问题。采用数据扩增的方法增大数据量，解决了类间不平衡的问题，并在数据扩增前后数据集上实验对比分析，说明了采用数据扩增的方法，起到一定正则化的作用，提高了模型的识别效果。<br>　　不同模态数据反映不同的病理，AD的诊断需要结合不同诊断方式才能得出确切的诊断结果，单一模态数据在信息表示方面不具有代表性，往往采用多模态数据进行综合诊断。临床医生诊断AD时通常既要参考多种神经影像检查结果，也要参考基本的神经心理学检查结果。本文将MRI影像、PET影像、MMSE量表和CDR量表临床认知测试数据相融合，首先训练出识别准确率高的MRI和PET影像诊断模型，然后利用相关分析的方法将多模态医学影像辅助诊断结果与临床评估量表相结合，最后得到整合了患者病理和心理的综合评判结果。实验表明，本文方法提高了诊断的准确率，在多项指标上优于其它计算机辅助诊断模型，为阿尔兹海默症多模态诊断提供了新的思路。