基于海马MRI数据的三维DenseNet和通道注意力模块相结合的阿尔茨海默病分类模型研究

作     者：金悦 沈小琪 林岚 JIN Yue;SHEN Xiao-qi;LIN Lan

作者机构：北京工业大学环境与生命学部生物医学工程系智能化生理测量与临床转化北京市国际科研合作基地北京100124 

出 版 物：《医疗卫生装备》 (Chinese Medical Equipment Journal)

年 卷 期：2023年第44卷第4期

页      面：9-14页

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 0836[工学-生物工程] 

基　　金：国家自然科学基金项目(81971683) 北京市自然科学基金-海淀原始创新联合基金项目(L182010) 

主　　题：阿尔茨海默病 结构磁共振图像 DenseNet 通道注意力模块 卷积神经网络 

摘      要：目的:为了提高阿尔茨海默病(Alzheimer’s disease,AD)分类的准确率,构建一种基于海马MRI数据的DenseNet和通道注意力模块(channel attention module,CAM)相结合的AD分类模型。方法:首先,通过结构磁共振图像提取海马感兴趣区。其次,通过优化网络结构将三维DenseNet与CAM相结合构建基于海马感兴趣区的AD分类模型(三维CAM-DenseNet模型)。最后,为验证该模型的分类性能,将该模型与多个三维DenseNet模型进行比较,并验证加入纵向数据后对模型分类性能的影响;为评估模型的泛化性,将该模型在3个独立测试集上进行检验。结果:三维CAM-DenseNet模型在区分AD患者与认知正常受试者的分类任务中平均准确率为95.2%、敏感度为91.9%、特异度为97.8%、AUC值为94.9%,优于其他三维DenseNet模型;在轻度认知障碍相关分类任务中,加入纵向数据可以提升模型的分类性能;训练好的模型在3个独立测试集中均表现出良好的泛化性能。结论:构建的三维CAM-DenseNet模型分类准确率高、泛化性好,适用于AD分类研究。