14、基于解剖标志的深度学习在阿尔茨海默病结构磁共振成像诊断中的应用

基于解剖标志的深度学习在阿尔茨海默病结构磁共振成像诊断中的应用

1. 引言

利用结构磁共振成像（sMRI）数据进行大脑形态计量模式分析，能有效区分阿尔茨海默病（AD）患者与正常对照（NC）之间的解剖差异，也有助于评估轻度认知障碍（MCI，AD的前驱阶段）的进展。此前的研究从sMRI中提取了不同类型的生物标志物，大致可分为四类：
- 体素级特征 ：通过体素分析直接测量大脑局部组织密度，以识别大脑结构变化。但体素级测量维度通常很高，后续学习模型易出现过拟合。
- 区域级特征 ：试图在预定义的感兴趣区域（ROI）内对大脑结构变化进行建模。然而，ROI的定义通常需要从结构或功能角度对异常区域有先验假设，实际应用中需要专业知识，且可能导致判别信息丢失。
- 全图像级特征 ：将每个sMRI视为一个整体来评估大脑异常，忽略了图像的局部结构信息。
- 斑块级特征 ：介于体素级和ROI级之间，在区分AD/MCI患者和NC方面显示出优势。但斑块级方法存在一些挑战，如如何高效选择有信息的图像斑块、如何建模大脑sMRI的局部斑块级和全局图像级信息，以及如何将特征学习和分类器训练集成到统一框架中。

为解决这些挑战，最近提出了基于解剖标志的深度学习框架用于AD/MCI诊断。该方法首先通过统计组比较识别大脑sMRI中的解剖标志，然后通过分层深度神经网络联合执行特征提取和分类训练。

2. 材料与图像预处理

实验使用了三个公共数据集：
| 数据集 | 类别 | 男/女 | 年龄 | 教育年限