基于3D卷积神经网络-感兴趣区域的阿尔茨海默症辅助诊断模型

摘要

磁共振(magnetic resonance imaging,MRI)图像的预测分类对早期阿尔茨海默症(Alzheimer's dis-ease,AD)的诊断非常重要.轻度认知障碍(mild cognitive impairment,MCI)作为AD的一种早期阶段,在诊断时存在大脑脑区萎缩区域不明确,诊断准确率偏低等问题.本研究提出一种基于感兴趣区域(regions of interest,ROI)的3D卷积神经网络(convolutional neural network,CNN)模型来解决AD分类准确率偏低等问题,进而实现对AD的计算机辅助诊断.实验数据均来自ADNI数据库,实验结果表明,基于ROI的3 D CNN的AD辅助诊断模型在分类AD vs正常对照(normal control,NC)、MCI转化AD(MCI converted to AD,MCIc)vs NC和MCI未被转化AD(MCI not converted to AD,MCInc)vs MCIc的5折交叉验证平均准确率分别为85.2％、83.9％、68.5％.相比于传统的主成分分析+支持向量机方法和单纯的切片集成方法,本研究方法在AD辅助诊断中取得了更好的分类效果和泛化能力,还可为其他脑疾病诊断提供新思路.