15、基于解剖标志的深度学习在阿尔茨海默病和轻度认知障碍诊断中的应用

基于解剖标志的深度学习在阿尔茨海默病和轻度认知障碍诊断中的应用

1. 多实例卷积神经网络（MICNN）

1.1 样本生成策略

网络的每个样本是从 L 个标志点位置提取的 L 个补丁的特定组合。以每个标志点位置为中心的不同补丁会在 5×5×5 的立方体（步长为 1）内随机采样位移，理论上每个 sMR 图像有 125L 个样本（即所有局部图像补丁的组合）来表示。

1.2 MICNN 架构

MICNN 模型用于与 AD 相关的脑部疾病诊断。输入是一个包含从 L 个标志点位置提取的 L 个补丁（即实例）的包。为学习包中各个补丁的特征表示，MICNN 中首先开发了多个子 CNN 架构。具体来说，L 个并行的子 CNN 架构嵌入了一系列 6 个卷积层（即 Conv1、Conv2、Conv3、Conv4、Conv5 和 Conv6）和 2 个全连接层（即 FC7 和 FC8）。卷积层使用修正线性单元（ReLU）激活函数，而 Conv2、Conv4 和 Conv6 之后分别进行最大池化操作以进行下采样。

除了从 L 个子 CNN 学习到的补丁级表示外，还为每个 sMR 图像进一步学习包级（即全图像级）表示。具体做法是，首先将 FC8 层的补丁级表示（即 FC7 的输出特征图）连接起来，然后经过 3 个全连接层（即 FC9、FC10 和 FC11）。这些额外的全连接层有望捕捉由标志点定位的补丁之间的复杂关系，从而在全图像级别形成大脑的全局表示。最后，FC11 的输出被输入到一个 soft - max 输出层，以预测输入 sMRI 属于特定类别的概率（例如，AD 或 NC）。

1.3 损失函数和优化

设训练集