摘要
阿尔兹海默症（Alzheimer''sDisease，AD）俗称老年痴呆，是一种不可逆且致死的慢性神经性疾病。目前，全球有阿尔兹海默症患者5000万人，且患病人数逐年增长。该病发展病程缓慢，且临床上没有能完全治愈该病的方案，只能在该病前驱期（MildCognitiveImpairment，MCI）通过一些药物或心理干预的方法减轻症状延缓病情。因此，通过医学影像技术对该病及其前驱期的诊断非常重要，这对患者后续的治疗有着重大的临床意义。功能磁共振成像（FunctionalMagneticResonanceImaging，fMRI）技术作为一种具有无创、高分辨率等特点的神经影像技术被引入，在阿尔兹海默症的诊断中有着很出色的表现。随着人工智能的不断发展，机器学习成为一大研究热点。作为机器学习的一大分支，深度学习被广泛应用于医学图像领域。因此，本文结合fMRI图像，基于深度学习的方法，对阿尔兹海默症的三个阶段（AD、MCI和正常认知者（NormalCongnize，NC））进行相关分类预测。本文的主要内容有以下： （1）当前基于fMRI的分类方法大多使用功能连接性（Functionconnection，FC）为作为输入，忽略了动态时间过程。而深度学习模型有着出色的时间表征能力，其中循环神经网络（RecurrentNeuralNetwork，RNN）能从动态时间上捕捉特征。本文构建了一个MCGRU模型，该模型结合了多尺度一维卷积神经网络（ConvolutionalNeuralNetwork，CNN）与RNN中的门控循环单元（GateRecurrentUnit，GRU），并应用于fMRI图像提取的时间序列中，在ADvs.NC、ADvs.MCI与MCIvs.NC三组分类任务中的准确度达到了92.3%、86.7%和84.3%。最后本文设置了几个对比实验，结果表明了该模型的分类性能优于其他对比实验。 （2）由于fMRI扫描的高维性，人工提取特征难免会导致有价值的信息丢失。其次，fMRI数据是四维图像，四维图像在被降维成二维或者三维图片时也可能会造成部分信息损失。因此，为了能充分学习到fMRI图像中的时空信息，本文构建了一个3DCNN-LSTM模型，主要是将三维卷积神经网络与循环神经网络中的长短期记忆网络（LongShortTermMemory，LSTM）相结合，该模型能直接处理四维的fMRI数据，即从fMRI数据中的三维静态图像中提取空间特征，然后将得到的特征图映射放入LSTM网络中捕捉数据中的时变信息。该模型在ADvs.NC、ADvs.MCI与MCIvs.NC三组分类任务中的准确度达到了93.8%、85.2%和82.6%。此外，本文还对比3DCNN、2DCNN和传统方法，3DCNN-LSTM模型的分能性能均优于它们。最后，分析了LSTM的结构和参数对模型分类准确度的影响。
NETL