加入收藏 | 后台管理 | 学校主页

刘振丙教授在阿尔茨海默病诊断分类研究取得进展

作者: 时间:2019-08-18 点击数:

阿尔兹海默症(Alzheimer's disease, AD) 是一种起病隐匿的进行性发展的神经系统退行性疾病,其多发于 65岁以上的人群,临床上以记忆障碍、失语、视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆表现为特征。根据病症的严重程度可以把阿尔茨海默病分为轻度、中度和重度三个级别,该病在发病初期无明显症状,而被确诊时已经到了中晚期,目前并无有效的治愈方法。轻度认知障碍( mild cognitive impairment, MCI)是一种介于正常受试者( normal control, NC)和阿尔茨海默症之间的状态,患者一般会出现轻度的认知功能下降和记忆障碍,但还达不到阿尔茨海默症的自动识别标准。

Fig.1 Data preprocessing

随着神经影像学的发展,结构核磁共振成像能够提供人体器官解剖结构方面的信息,采用此影像辅助阿尔茨海默症(Alzheimer’s Disease, AD)、轻度认知障碍(Mild Cognitive Impairment, MCI)以及正常人(Normal Control, NC)诊断十分有效。结构核磁共振成像环境不同会造成同一对象同一组织在图像灰度信息上的不一致,因此在提取特征前需要对其进行标准化,保证不同组织有不同的灰度差异,消除噪声影响。

Fig.2 The proposed eEnsemble model

目前,基于机器学习的方法大都依赖于特征工程,而人工提取感兴趣区域的特征需要有专业的医学知识且不能充分挖掘影像的全部信息。针对这一不足,本研究提出了一套基于深度学习的AD诊断分类方案。首先,我们对获取到的数据样本进行预处理和标准化,然后通过深度学习的方法(eEnsemble, EResNet)来提取MRI图像的特征信息,以此来训练神经网络。最后,借助训练好的模型来进行诊断分类。

Fig.3 The proposed EResNet model

实验结果表明我们提出的方法在标准数据集ADNI的三组测试集AD vs NC、AD vs MCI和MCI vs NC上都比同类方法的性能优异。

[1] 刘振丙,方旭升,杨辉华,蓝如师; 基于多尺度残差神经网络的阿尔茨海默病诊断分类[J].山东大学学报(工学版), 2018

[2] Mingchang Xu, Zhenbing Liu, Zimin Wang, Long Sun, and Zhibin Liang; The Diagnosis of Alzheimer’s Disease Based on Enhanced Residual Neutral Network, Accepted, CyberC 2019

[3] Huanhuan Ji, Zhenbing Liu, Wei Qi Yan, Reinhard Klette; Early Diagnosis of Alzheimer’s Disease Based on Selective Kernel Network with Spatial Attention, Accepted, ACPR 2019

2014-2019 © 广西图像图形与智能处理重点实验室
通讯地址:广西壮族自治区桂林市七星区金鸡路1号
邮编:541004