摘要
阿尔茨海默病(Alzheimer''sDisease，AD)是一种神经退行性疾病，属于老年痴呆中一种较为常见的形式，给患者、患者家庭和社会医疗造成了沉重的负担。轻度认知障碍(MildCognitiveImpairment，MCI)是AD和正常(NormalControl，NC)的中间阶段，对其早期识别诊断，将有助于医生对疾病进行早期干预和治疗。磁共振成像(MagneticResonanceImaging，MRI)已被广泛应用于AD的临床诊断中。其中，结构磁共振成像主要包括T1加权像和弥散张量成像(DiffusionTensorImaging，DTI)，能够有效呈现出AD患者大脑的灰质萎缩和神经纤维损伤等结构层面的变化;功能磁共振成像(FunctionalMRI，fMRI)则有效反映AD患者脑功能退化程度。多模态磁共振影像可以相互补充，从不同方面反映AD患者的大脑的结构和功能退行性变化情况，提高AD早期识别准确率。基于MRI的计算机辅助诊断技术已被广泛应用到AD的早期诊断中，这种医工结合的应用研究，可实现临床医学问题与计算机学科的有效结合，对临床数据进行深度挖掘，提高对疾病早期预测的准确性。 考虑到人脑是一个高度复杂的系统，其结构网络和功能网络均呈现出“小世界”网络的连接特征，本文基于多模态磁共振影像数据，提出了一种可扩展的多层级图神经网络模型(ExtensibleMulti-levelGraphNeuralNetwork，EM-GNN)，用于实现AD的早期识别，并利用北京大学第三医院和阿尔茨海默病神经影像计划(Alzheimer''sDiseaseNeuroimagingInitiative，ADNI)公开数据集两个阿尔茨海默病数据集进行一系列实验验证。具体内容如下: 1.基于预处理后的T1加权数据、DTI数据和静息态fMRI数据三种模态的磁共振影像数据，使用脑区模板完成对不同参数图的脑区划分。采用多尺度残差网络(ResNet)对不同模态数据特征进行提取，充分挖掘每个脑区不同体素所包含的隐藏特征，同时有较低的网络复杂度和较高的计算效率。 2.构建大脑层级图神经网络模型，对每个样本大脑进行网络建模。分别基于DTI和fMRI数据从脑结构和脑功能层面完成对脑区图像特征和脑区间连接关系特征的综合学习，实现对不同脑区间脑白质损害程度和功能退化程度的定量描述。同时，结合图注意力机制提取脑区间的注意力系数，为临床AD病程识别和影像学生物标志物提取提供辅助参考。实验结果表明，fMRI数据在MCIvsNC任务中表现优于DTI数据，AD患者出现脑功能异常早于脑灰质萎缩和结构连接异常，与临床表现一致。网络学习到的脑区注意力系数矩阵与脑区关联性矩阵具有较大的相似性，不同模态数据二者之间的结构相似性指标高于98.8％。基于此，脑区注意力系数可以进一步作为影像学生物标记物，反映大脑灰质萎缩、神经纤维受损和脑功能退化等情况，为疾病的诊断提供可靠的依据。 3.构建群体层级图神经网络模型，对受试者样本群体进行建模。提出一种加权归纳式空间域图卷积算子，利用非图像信息建立的受试者相似性关系，实现对AD的快速识别。实验结果表明，加权归纳式图卷积算子和常规使用的频域图卷积算子相比，具有较高的计算效率和准确率，其对单一新样本预测时间是常规频域图卷积方法的0.15％，能够为受试者进行快速疾病预测。 4.构建可扩展的多层级图神经网络模型，通过将多尺度的残差网络和大脑层级图神经网络模型嵌入到群体层级图神经网络模型而形成该模型。该方法具有很好的扩展性，有效融合临床多模态影像特征和非影像特征，为临床数据分析的持续改进提供了一个可扩展和可调节的学习框架。实验结果证实EM-GNN能够充分利用从多模态MRI数据中提取的图像特征和脑区之间的连接特征，综合分析脑灰质萎缩、神经纤维受损和脑功能连接异常在AD不同病程中的作用。与其他前沿方法相比能够获得更好的分类准确率、分类一致性和鲁棒性，在ADvsNC、ADvsMCI和MCIvsNC三个分类任务中准确率分别达到88.71％，82.71％，79.68％，F1值分别达到88.94％，84.74％，77.94％。
NETL