摘要
阿尔兹海默症(Alzheimer''s Disease,AD)是一种进行性的神经退行性疾病，临床主要表现为记忆丧失和认知功能下降，而AD早期诊断对AD患者的治疗与护理具有重大临床意义。近年来，神经影像分析技术通过计算机科学的方法进行分析与解释大脑结构与功能，在神经科学研究、脑疾病诊断与治疗上发挥重大作用。但是，由于AD所引起的大脑异常改变较小、正常老化与AD导致的异常老化的共存现象以及在临床场景中的非完整多模态数据等问题，这使得基于神经影像的AD早期诊断极具挑战性。因此，本研究结合深度学习在表征学习的优势，设计不同的正则化策略，提取神经影像中高效且鲁棒的特征表达，用于AD诊断。具体而言，本论文设计了三种用于AD诊断的深度表征学习网络: (1)多任务多水平特征对抗网络(Multi-task Multi-level Feature Adversarial Network,M2FAN):鉴于AD所引起的大脑异常变化较小，采用脑萎缩定位算法能够有针对性地选择与AD相关的脑区，提高AD诊断模型准确度以及泛化能力。但是，忽略预定义的脑区外的大脑解剖信息会导致个体差异信息的丢失。为了利用脑萎缩定位在AD诊断中的高效性以及包含全局信息中的个体差异性，本论文设计了一种新颖的多任务多水平特征对抗网络，用于AD诊断与脑萎缩定位，并通过多水平特征对抗学习，使全局特征能够抵抗由局部示例特征合成的对抗性扰动，提高AD诊断模型泛化能力。 (2)多模板元信息正则化网络(Multi-template Meta-information Regularized Network,MMRN):在临床上，AD通常具有年龄、性别等偏向性，以及大脑同时存在正常老化等现象。另一方面，虽然元数据可以在AD诊断中提供一定的先验知识，但过度关注元数据相关的大脑解剖信息可能导致混淆效应，降低模型泛化能力。为了充分利用元数据相关的先验知识并同时缓解潜在的混淆效应，本论文设计了一种多模板元信息正则化网络，利用弱监督元信息学习和互信息最小化模块，从提取的疾病相关表征中学习和解耦元信息，实现元信息正则化，用于AD诊断。 (3)非完整多模态解耦学习(Incomplete Multi-modal Disentanglement Learn-ing,IMDL):为了缓解在实际场景中非完整多模态问题，本论文设计了一种非完整多模态解耦学习方法。通过使用一个轻量的Transformer对非完整多模态神经影像进行特征融合，解决了非完整多模态输入维度不兼容的问题。与此同时,IMDL利用跨模态对比学习和对抗学习技术，促进变分自编码器解耦每个模态的共享和互补表征，缓解从完整和非完整的多模态神经影像中获得的表征之间的潜在信息差距。此外，为了增强与AD相关的萎缩区域的定位，IMDL包含一个局部注意力矫正模块，对齐Transformer中模态间和模态内的注意力，让脑萎缩定位更具解释性。
NETL