摘要
结构核磁共振成像（sMRI）可以反映异常的大脑结构变化，从而被广泛应用于阿尔茨海默病（AD）的诊断中。然而由于脑萎缩的局部存在性质，在sMRI图像中只有少数与病理特征高度相关的区域表现出明显的结构变化。因此，目前大多数针对AD进展的计算机辅助诊断方法依赖于专家经验预先定义的感兴趣区域（ROIs）来构建诊断模型，但是部分的区域特征不能代表大脑的全局结构特征，同时使用相同的ROI模板空间未充分考虑个体之间的差异性，从而导致模型的次优性能。而且现有多数AD诊断模型的输入特征尺寸是单一的，未考虑到脑萎缩形变程度的多样性，即不同个体，脑区以及病理阶段之间的差异，从而在一定程度上限制了模型的特征学习能力。所以本文采用块级表征捕捉局部结构特征，并提出更合理的框架来加强对病理特征的自动识别和适应多尺度的脑萎缩形变，从而进一步提升模型诊断性能和医学实践上的可解释性。具体地，本文的研究工作如下： （1）提出了一个双重注意力多示例深度学习网络（DA-MIDL），用于阿尔茨海默病和其前驱阶段轻度认知障碍（MCI）的早期诊断。具体地，DA-MIDL由三个主要部分组成：1）具有空间注意力模块的Patch-Net块级子网络用于从局部sMRI图像块中提取关键特征，同时加强大脑中异常变化的微结构特征；2）一个注意力多示例学习池化操作用来平衡每个patch块的相对贡献，并生成一个代表整个大脑结构信息的全局不同加权的表征；3）一个注意力感知的全局分类用于进一步学习整体空间特征，然后做出AD相关的诊断决策。我们的DA-MIDL方法在来自两个独立数据集（ADNI和AIBL）的1689个受试者的基线sMRI影像上进行了验证。实验结果表明，我们的方法不仅可以识别sMRI影像中的关键病理位置，而且比几种最先进的方法有更好的诊断性能，包括准确率和泛化能力。 （2）提出了一个用于AD相关临床分数预测的多任务多尺度自适应感受野模型（MM-ARF），其主要包括两个关键模块：1）带有可选择卷积的块级子网络SKNets用于从不同尺度的局部sMRI图像块中自适应学习多尺度特征，以适应不同程度的脑萎缩结构变化特征；2）多任务回归模型基于多任务学习的思想联合预测4个AD相关的临床分数。我们用ADNI-1和ADNI-2两个数据集对MM-ARF模型进行了性能评估，实验中每个MR图像对应4个不同的临床分数。4个临床分数预测任务的实验结果都显示我们MM-ARF方法优于其他7个对比方法，即表明了MM-ARF方法对AD相关临床分数预测的有效性。
NETL