58、利用MRI和迁移学习实现阿尔茨海默病的自动分类

利用MRI和迁移学习实现阿尔茨海默病的自动分类

1. 引言

痴呆并非严格意义上的疾病，而是一组症状的描述，比如记忆事物或事件困难、学习新信息困难等，这些症状让患者难以独立应对日常生活。痴呆通常由某种脑细胞损伤引起，而阿尔茨海默病（AD）是导致痴呆最常见的原因。它会使大脑中的神经元，尤其是皮质中的神经元受损或退化，进而损害大脑，导致认知能力丧失。随着癌症和心脏病治疗手段的进步，患者生存期延长，AD的发病率也在上升，预计未来二三十年，全球尤其是美国的患者数量将增至目前的三倍。

在医学诊断中，磁共振成像（MRI）是一种强大的技术，可精确呈现软组织。过去十年，MRI已成功用于检测脑肿瘤、多发性硬化症等疾病。传统上，放射科医生依据自身经验、学习和培训进行诊断，他们识别MRI中的隐藏模式并给出诊断结果。但随着患者数量增加和医学影像数据的指数级增长，专业放射科医生手动诊断已难以满足患者及时诊断的需求，这给后续治疗带来巨大挑战。

因此，计算机辅助诊断（CAD）方法应运而生。CAD利用机器学习和其他计算机算法辅助医生准确诊断疾病。目前已开发出多种计算机辅助方法，从感兴趣体积（VoI）、感兴趣区域（ROI）和基于补丁的方法中提取重要特征，特征主要来自白质（WM）体素、灰质（GM）体素和海马区的特定区域，用于早期检测AD。不过，大多数研究仅关注AD的二元分类，即判断是否患病。

近年来，基于特征的机器学习方法逐渐被不同的深度学习架构取代。本文提出一种基于卷积神经网络（CNN）的高效模型，利用预训练的AlexNet架构和迁移学习技术对大量MRI数据进行分类。该模型具有以下特点：
- 它是一个经过修改的预训练CNN模型，由于softmax是分类新类别的主要模块，修改softma