7、用于轻度认知障碍和阿尔茨海默病诊断的 3D 密集连接卷积网络集成

用于轻度认知障碍和阿尔茨海默病诊断的 3D 密集连接卷积网络集成

1. 引言

阿尔茨海默病（AD）是一种常见的进行性神经退行性疾病，在发达国家已被列为威胁老年人生命健康的第四大杀手。它是由与记忆相关的大脑区域的神经细胞受损和破坏引起的，最常见的症状是记忆力减退和认知能力下降。轻度认知障碍（MCI）被认为是正常老年人和 AD 之间的中间过渡阶段，近期研究表明，32%的 MCI 患者在 5 年内会恶化为阿尔茨海默病。因此，对 MCI 和 AD 的早期诊断和干预对于控制疾病的发展具有重要意义。

仅通过认知测试和临床症状很难准确诊断 AD 和 MCI，但通过磁共振成像（MRI）、计算机断层扫描（CT）和正电子发射断层扫描（PET）等神经影像学手段，可以获取大脑的结构和功能信息，从而进行较为可靠的诊断。在临床中，医学图像解读大多依赖放射科医生和内科医生等人类专家，但由于病理的广泛差异和医生的潜在疲劳，研究人员和医学专家开始受益于计算机辅助诊断（CAD）。过去几十年，神经影像学数据越来越多地通过机器学习（ML）方法用于表征 AD 和 MCI，为个性化诊断和预后提供了有前景的工具。近年来，深度学习（DL）作为一种新兴的建模方法，在医学影像领域取得了重大突破。特别是深度卷积神经网络（CNNs）在从大脑 MR 图像自动诊断认知疾病方面表现出色，因为它能够从原始数据中学习抽象特征。与切片上的 2D 卷积相比，对整个 MRI 进行 3D 卷积可以捕捉到可能对判别至关重要的潜在 3D 结构信息。然而，由于 3D MRI 的复杂结构和高维特征，3D - CNN 需要设计得更深以对数据进行高级抽象建模，但当梯度信息经过许多层时，其性能会受到很大限制，因为梯度信息在正向和反向传播过程中可能会消失。此外，大量的参数（即卷积核的权重