基于深度学习和多特征融合的阿尔茨海默症分类算法研究

作     者：井水清 

作者单位：曲阜师范大学 

学位级别：硕士

导师姓名：崔新春

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 100203[医学-老年医学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

主      题：阿尔茨海默症 注意力机制 特征融合 卷积神经网络 分类预测 

摘      要：阿尔茨海默症(Alzheimer s Disease,AD)是一种在老年人中普遍存在的神经退行性疾病,以记忆力衰退、认知能力下降和视觉空间技能受损为主要表现。早期准确识别高风险的AD患者对于延缓疾病进展具有重要意义。面对单模态数据信息的局限性和高熵值医学影像特征提取的挑战,本文综合应用了临床影像数据、临床心理学数据及注意力机制、卷积神经网络、多层感知机等方法,对不同模态特征进行提取和融合,以实现对AD的分类。具体的研究内容如下: (1)针对单模态数据难以获取丰富特征的问题,提出了一种基于改进的残差网络和注意力特征融合的AD分类算法。首先,改进的残差网络和局部二值模式被用于从预处理的结构磁共振图像中提取特征。其次,使用多层感知机提取临床数据特征。最后,采用自注意力机制对特征进行融合,并使用支持向量机进行五折交叉验证,取得了93.67%的分类准确率。该模型全面分析了患者的病理和心理方面,提高了辅助诊断的准确性。 (2)针对当前模型难以准确识别关键病变区域的问题,提出了一种基于双注意力残差网络和多模态特征融合的AD分类算法。通过引入双注意力残差网络和卷积稀疏自编码器进行端到端的学习,用于AD的早期诊断。首先,提出了双注意力残差深度神经网络来捕获MRI的局部特征。其次,设计了一个包含双隐藏层的卷积稀疏自编码器来提取PET图像的全局和空间信息,以提高诊断性能。最后,提出了一种新的多模态框架,该框架将MRI和PET图像集成到统一的网络架构中进行端到端学习。分类准确率为95.12%,敏感性和特异性分别为91.63%和96.73%。 (3)针对仅在模型终端进行单次特征融合无法充分利用多模态之间的交互信息的问题,提出了一种基于分裂压缩注意力和多级特征融合的AD分类算法。首先,通过采用分裂压缩注意力机制得以高效地对特征图通道执行分割操作,进一步促进了对通道间不同尺度特征信息的学习,增强了模型对空间信息的感知能力。其次,在多模态特征融合方面,通过引入特征传递块实现了对多模态数据逐级学习并多次融合MRI和PET的多模态特征,实现了不同层次、不同通道之间的信息交流和特征融合,有效提升了特征表征的能力,最终的分类准确率为96.37%。最后,将分类任务拓展到了 AD/MCI/CN三分类,其中MCI作为AD的前驱阶段之一,对MCI进行分类和识别有助于医生进行早期干预和治疗,从而延缓疾病的进展。