摘要
阿尔茨海默病（Alzheimer’s Disease，AD）是一种不可逆转的神经退行性疾病，已严重影响老年人的身心健康。目前处在 AD 早期阶段的患者可通过服用一些药物延缓病情的恶化，因此AD早期诊断至关重要。轻度认知障碍（Mild Cognitive Impairment，MCI）是AD 的早期状态。可将在近期内恶化为 AD 的 MCI 称为进展型 MCI（progressive MCI， pMCI），相反将在近期内不会转化的 MCI 称为稳定型 MCI。本文依次对 AD、MCI 和pMCI的识别进行分类，为AD的辅助诊断提供支持。 在临床症状出现前 10 至 15 年，AD 引起的脑结构变化就已发生。结构核磁共振影像（structural Magnetic Resonance Images，sMRI）图像能够以无创的方式清晰地显示大脑结构，因此成为 AD 临床诊断最常用的工具。近年来，得益于深度卷积神经网络（ Deep Convolutional Neural Network ， DCNN ）强大的特征提取能力，基于DCNN 的sMRI图像分类被广泛用于AD 的辅助诊断。然而，相对于整个大脑，AD 相关区域的体积较小且大小不一，现有的方法仍无法较好地提取 AD 相关区域的特征。为此，本文提出了基于DCNN的AD辅助诊断，主要研究工作及创新如下： （1）依据临床医生“首先筛选包含疾病相关区域的切片图像，其次融合从这些切片图像中收集的信息”这一诊断过程，提出从信息切片到整体特征表示的框架实现 AD 诊断。具体地，针对当前数据集仅有全图级标签而缺少切片级标签的不足，本方法首先结合DCNN 和聚类方法，提出切片级特征提取器，自动筛选信息切片图像并提取它们的特征。其次，本方法设计全图特征生成器和分类器，分层融合信息切片的特征并实现 AD 分类。实验结果表明，本方法与最先进的方法相比准确率提升2.66%，AUC提升4.73。 （2）针对第一个研究内容中切片不能较好地展现sMRI图像三维空间信息的问题，提出任务驱动的层次注意力网络用于识别AD和MCI。首先，设计信息子网络，通过信息提取模块、图像块分类模块和将两个模块相关联的自增强损失，生成任务驱动的信息图，从sMRI 图像中自动突出疾病相关区域及其对分类的重要性。其次，构建基于信息图的层次注意力子网络，通过视觉注意力模块和语义注意力模块，约束网络提取判别性的特征，从而提升图像分类性能。实验结果表明，本方法在四个子任务中均能取得最优的性能。 （3）针对上述两个研究内容及使用的常规 DCNN 会逐渐缩小特征空间的尺度，而导致小目标特征被过滤的问题，提出互补注意力 UNet 分类器用于识别 pMCI。本方法以UNet 为主干，首先考虑到编码器提取的空间特征与解码器提取的语义特征之间的互补特点，提出互补注意力模块，将编码器的高分辨率空间特征与解码器的可理解性语义特征相结合，较好地保留了不同层次的图像特征。其次，提出多语义特征融合分类器，进一步融合不同尺度的疾病相关区域的语义特征，从而提高图像分类的性能。实验结果表明，互补注意力模块可提升2.84%的准确率，多语义特征融合分类器可提升1.64%的准确率。
NETL