摘要
阿尔兹海默症（Alzheimer''s disease,AD）又名老年痴呆症已成为老年人中最为普遍的痴呆疾病。逐年增长的老龄人口与阿尔兹海默症的长病程所带来的负担成为当今社会急需解决的问题。在众多阿尔兹海默症诊断方式中，核磁共振图像具有非入侵式、成本低、高空间分辨率等特点，成为近年来阿尔兹海默症诊断的常用诊断依据，但处于不同病症阶段的患者脑部病变组织存在差异、处于同一病症阶段的不同患者的脑部病变组织也不尽相同，对整个核磁共振图像直接进行特征提取难以获得有效特征。为提取有效特征并提高诊断准确率，在分析大量脑部影像数据的基础上，本文基于分割脑组织针对深度学习模型在阿尔兹海默症诊断中的应用展开研究如下。 （1）由于不同病症阶段的患者脑部病变组织存在差异，处于同一病症阶段的不同患者的脑部病变组织也不尽相同，为提取有效特征并提高诊断准确率，提出一种基于脑组织的MTMA-Net模型用于阿尔兹海默症诊断。将全脑分割成白质、灰质两种脑组织后，针对纹理特征较为明显的灰质采用多方向纹理学习模块进行特征挖掘，对于具有连通性特征的白质则基于白质纤维追踪图使用多尺度注意力模块进行特征提取，然后将两种脑组织的特征拼接起来，通过MLP对拼接后的特征进行降维并得到诊断结果。有效提取不同脑组织特征的同时保留了脑组织的组织完整性与空间完整性，通过公开数据集ADNI进行验证，采用灰质与白质脑组织进行诊断比使用全脑准确率高1.75％，多方向纹理学习模块与多尺度注意力模块分别比基础纹理学习模块与基础注意力模块准确率高1.33％与1.13％。在NC-MCI-AD三阶段诊断任务上准确率达到了85.53％,在NC-AD、NC-MCI、MCI-AD三种二阶段诊断任务中准确率分别达到了 92.59％、92.46％、88.73％,相较于基础模型有较大提高。 （2）为充分考虑灰质脑组织与白质神经纤维之间的连接关系，解决两种特征融合时由于特征衡量单位不同导致的特征损失问题，以sMRI中脑组织为网络节点，以dMRI中对应脑组织之间的白质纤维为网络边构建脑网络，为解决将全部脑组织作为输入，模型效率低且训练难度高的问题，提出了一种基于AAL模板将脑网络分区，基于双样本t值检验选择一部分重要脑区代替全部脑区作为模型输入的解决思路。构建了基于BAT-Net模型的sMCI-pMCI二阶段诊断模型。该模型在具有较高训练效率的同时保持较高的准确率。通过公开数据集ADNI进行验证，同时使用三种脑网络与单独使用一种脑网络相比准确率分别提高1.88％、5.14％％、3.88％。在基于白质纤维数量与白质纤维长度两种脑网络中使用双样本t值检验筛选脑区比全部脑区准确率提高5.05％与3.62％。对于sMCI-pMCI二阶段诊断任务准确率达到了 87.5％,同时其可视化结果具有一定临床指导意义。 （3）本文基于Qt框架实现了一个阿尔兹海默症诊断仿真系统，系统分为数据管理模块、模型管理模块、辅助诊断模块三个模块。数据管理模块可以对数据子集进行管理，还可以对数据子集的数据进行预处理。模型管理模块可以对已训练好的模型进行修改、查看与删除。用户使用辅助诊断模块可以进行阿尔兹海默症多阶段诊断，诊断结束后系统会基于诊断结果给出临床治疗建议。该系统使非专业人员也能够使用深度学习模型进行阿尔兹海默症多阶段诊断，为该研究的落地奠定了一定基础。
NETL