罗 芬
（中南民族大学生物医学工程学院 湖北·武汉 430074）
阿尔兹海默症（Alzheimer’s Disease，AD）是一种慢性的神经系统退行性疾病，在患病早期表现为轻度认知障碍（Mild Cognitive Impairment，MCI），健康个体发展为阿尔茨海默病患者之间的过渡态即为MCI。随着时间的推移一类MCI会保持相对稳定，不会发展为AD，被称为stable MCI（sMCI）；反之，具有较大发展为AD可能性的发展型MCI称为develop MCI（pMCI）。对于医生来讲，在这个时期很难仅通过影像对患者的发展情况做预判。如果可以在早期阶段就能诊断该疾病，对于发掘阿尔兹海默症的基本患病原理和机制研究，以及控制病情的发展具有重大意义。
针对以往采用传统机器学习的方法计算量较大，获得的预测精度不高，可靠性较低等问题，本研究采用卷积神经网络与高效通道注意模块融合的网络结构，对MCI患者的结构核磁共振图像（sMRI）和统计学和神经心理学信息组合后进行分析。
1 实验方法
1.1 神经网络架构
针对三维医学图像单个样本数据量较大的特点，同时受Xception[1]（Chollet，2017；Velickovic et al，2016）提出的深度可分离卷积层，以及ECA-Net[2]（Qilong Wang et al，2020）提出的有效通道注意模块的启发。本研究采用三维卷积与有效通道注意模块结合的模式，三维卷积的使用可以降低将近2倍的计算量，有效通道注意模块可以为与患者发病相关的脑区分配更多的权重，有助于提高分类精度。
1.2 有效通道注意模块
近年来，有效的通道注意机制在提高深度卷积神经网络的性能方面显示出了巨大的潜力。有效通道注意模块如图1所示。
图1：有效通道注意模块
设卷积块的输入为 X∈RW×H×C，W、H、C 分别为宽度、高度和通道维度（即滤波器数量）。因此，SE模块（squeeze and excitation networks,即SENet）中通道的权值可以这样计算
2 图像预处理
本研究使用的数据均来自阿尔兹海默病神经影像计划（ADNI）数据库（http://adni.loni.usc.edu/），在分类之前，所有的T1加权MRI图像首先进行颅骨剥离操作，以去除不相干组织。接下来，进行偏置场矫正，以消除图像亮度差异。最后进行配准操作，将图像配准到公共模板上（即MNI152_T1_1mm）。我们的预处理后的图像如图2所示，本研究处理后的图像尺寸为：182*218*182*1。
图2：预处理图像截图
3 实验设计
3.1 评价指标
本研究为二分类，结果计为正例（positive）和负例（negtive）,True positives（TP），False positives（FP），False negatives（FN），True negatives（TN）.正确率（ACC）是很常见的评价指标，一般正确率越高，分类器越好。灵敏度（SEN）表示分类器对正例的识别能力。特异性（SPE）表示分类器对负例的识别能力。
ROC（receiver operating characteristic curve），又称为感受性曲线，是衡量灵敏度和特异性连续变量的综合指标。AUC（Area Under roc Curve）是ROC曲线下面积的简称。
3.2 实验分组
共计5个实验组：（1）Clinical features（仅临床特征组）；（2）MRI（仅医学图像组）；（3）MRI+ECA（加入ECA模块的医学图像组）；（4）MRI+Clinical features（医学图像和临床特征结合组）；（5）MRI+Clinical features+ECA（医学图像和临床特征以及ECA模块组合组）。
4 实验结果与讨论
本研究所取得实验组的AUC，ACC，SEN，SPE参数如表1所示，在仅使用患者年龄，性别，MMSE分数作为输入时取得的AUC为0.680，准确度为77.2%；仅使用预处理后的核磁图像作为输入采用卷积神经网络的情况下获得的AUC为0.740；MRI与临床特征相结合的情况下采用卷积神经网络取得的AUC结果为0.890，在此神经网络的基础上加入ECA模块后分类结果取得了最佳值AUC达到0.930，准确度为89.1%。
表1：本研究使用的模型组合在pMCI vs sMCI分类任务上的性能指标的比较表
神经网络参数设置保持不变，这包括所有层和块的输出率设为0.1，卷积和全连接层中所有参数的L2范数惩罚设为0.00005；卷积核权值初始化.采用Adam优化器，以指数衰减学习率最小化目标函数损失。
实验证明，本研究开发的融合有效通道注意模块的卷积神经网络结构，在识别出3年内可能发展为AD的pMCI患者取得了较好的效果，在预测轻度脑疾病发展方面具有很大的潜力。
