鉏家歡 潘喬

摘 要： 隨著人工智能的發(fā)展，計(jì)算機(jī)輔助診斷在阿爾茨海默病診斷中扮演著越來(lái)越重要的角色。本文提出了一種融合圖像和指標(biāo)的新型多分類(lèi)診斷模型，充分挖掘TOP-MRI圖像和臨床指標(biāo)特征用于阿爾茨海默病的多分類(lèi)診斷。首先，構(gòu)建由3個(gè)VGGNet-16卷積神經(jīng)網(wǎng)絡(luò)和1個(gè)單隱層網(wǎng)絡(luò)組成的TOP-CNN-NN模型提取大腦TOP-MRI圖像特征向量，利用CfsSubsetEval評(píng)估器來(lái)篩選臨床指標(biāo)組成指標(biāo)特征向量;然后，采用典型相關(guān)分析（CCA）方法將圖像特征向量和指標(biāo)特征向量進(jìn)行線性融合;最后，將融合特征向量輸入多分類(lèi)分類(lèi)器來(lái)區(qū)分阿爾茨海默病的3個(gè)階段，包括正常（CN）、輕度認(rèn)知障礙（MCI）和阿爾茨海默?。ˋD）。通過(guò)ADNI公開(kāi)數(shù)據(jù)集證明，本文提出方法在阿爾茨海默病多分類(lèi)診斷上的正確率可達(dá)到86.7%，有較好的性能表現(xiàn)。

關(guān)鍵詞： 阿爾茨海默病;卷積神經(jīng)網(wǎng)絡(luò);典型相關(guān)分析;核磁共振圖像;生物標(biāo)志物

文章編號(hào)：2095-2163（2019）04-0006-07?中圖分類(lèi)號(hào)：TP391?文獻(xiàn)標(biāo)志碼：A

0 引 言

阿爾茨海默?。ˋlzheimers disease， AD），又稱(chēng)老年性癡呆。是一種神經(jīng)系統(tǒng)退行性疾病，其特點(diǎn)是認(rèn)知能力下降，不可逆轉(zhuǎn)的影響全部認(rèn)知功能，最后導(dǎo)致日?；顒?dòng)嚴(yán)重受損和過(guò)早死亡[1]。目前，全球約有5.0×107例AD患者。僅2018年一年，預(yù)計(jì)有1.0×107例AD患者，每3秒將新增一名患者。約8%的65歲及以上老年人，35%的85歲及以上老年人受困于AD。臨床上主要將AD分為3個(gè)階段：正常（CN）、輕度認(rèn)知障礙（MCI）和阿爾茨海默?。ˋD）。MCI是AD的前期表現(xiàn)，是從CN到AD的過(guò)渡狀態(tài)。醫(yī)學(xué)上目前尚未發(fā)現(xiàn)AD的發(fā)病成因，也沒(méi)有找到準(zhǔn)確診斷的有效方法。

隨著人工智能的發(fā)展，計(jì)算機(jī)輔助診斷在AD診斷中扮演著越來(lái)越重要的角色。在計(jì)算機(jī)輔助診斷相關(guān)研究中，磁共振成像（MRI）由于其出色的空間分辨率、高可及性和良好的對(duì)比度而常常被作為AD診斷的重要依據(jù)。常用的方法包括基于3D醫(yī)學(xué)影像特征的提取和分類(lèi)，使用感興趣區(qū)域（ROI）來(lái)對(duì)AD進(jìn)行診斷，利用圖像分割并測(cè)量海馬、內(nèi)側(cè)顳葉形態(tài)的AD分類(lèi)診斷等[2-5]。另外還有使用少量圖像的紋理特征，或者使用多元數(shù)據(jù)融合的方法[6-7]。

但這些方法仍舊存在許多問(wèn)題，3D醫(yī)學(xué)影像由于其高維性、噪聲、稀疏性往往難以表示和建模，而使用感興趣區(qū)域和圖像分割需要一定的先驗(yàn)知識(shí)，這也是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。另外，對(duì)于AD的診斷，不僅要參考神經(jīng)影像學(xué)，也要參考其它的臨床檢查。例如人口統(tǒng)計(jì)學(xué)信息，包括性別和年齡;神經(jīng)心理學(xué)評(píng)估，包括簡(jiǎn)易智力狀態(tài)檢查量表（MMSE）、臨床癡呆評(píng)估量表（CDR）、萊氏聽(tīng)覺(jué)言語(yǔ)學(xué)習(xí)測(cè)試（RAVLT）和功能活動(dòng)問(wèn)卷（FAQ）;生物學(xué)檢測(cè)，包括β淀粉樣蛋白、Tau蛋白、載脂蛋白E在內(nèi)的多個(gè)生物標(biāo)志物。

本文提出的融合TOP-MRI圖像和臨床指標(biāo)的新型多分類(lèi)診斷模型，可以充分挖掘TOP-MRI圖像和臨床指標(biāo)的特征用于AD的多分類(lèi)診斷。在本文提出的多分類(lèi)診斷模型中，通過(guò)TOP-CNN-NN模型對(duì)三正交平面MRI圖像特征進(jìn)行提取，雖然提取的特征向量可解釋性差，但是在提取過(guò)程中無(wú)需人工標(biāo)注，減輕了需要先驗(yàn)知帶來(lái)的挑戰(zhàn)。另外，使用3張MRI圖像建模可以有效避免圖像高維性帶來(lái)的過(guò)擬合問(wèn)題，同時(shí)在一定程度上降低了提取的圖像特征向量的維度，有利于與較低維度的指標(biāo)特征向量進(jìn)行融合。最后，通過(guò)典型相關(guān)分析來(lái)融合圖像特征向量和由人口統(tǒng)計(jì)學(xué)信息、神經(jīng)心理學(xué)評(píng)估、生物學(xué)檢測(cè)組成的指標(biāo)特征向量，進(jìn)一步提高了多分類(lèi)的有效性。本文的主要貢獻(xiàn)如下：

（1）提出了一種基于典型相關(guān)分析的多元數(shù)據(jù)線性融合方法，融合了TOP-MRI圖像和多種臨床指標(biāo)，在阿爾茨海默病多分類(lèi)診斷上有較好的表現(xiàn)。

（2）建立了一種基于VGGNet-16和單隱層網(wǎng)絡(luò)的TOP-CNN-NN模型，用于對(duì)大腦三正交平面MRI圖像特征向量的提取。

1 具體方法

本文提出了融合TOP-MRI圖像和臨床指標(biāo)的新型多分類(lèi)診斷模型，模型總體框架如圖1所示。

框架主要包括4個(gè)部分：特征向量提取模塊、指標(biāo)特征選擇模塊、特征向量融合模塊和疾病分類(lèi)診斷模塊。在圖像特征提取模塊中，首先從大腦三正交平面（Three Orthogonal Planes， TOP）中選取3張不同平面的MRI圖像，對(duì)圖像進(jìn)行變換幾何形狀、濾波降噪和數(shù)值標(biāo)準(zhǔn)化預(yù)處理，然后將預(yù)處理后的圖像輸入TOP-CNN-NN模型提取圖像特征向量。在指標(biāo)特征選擇模塊中，通過(guò)CfsSubsetEval評(píng)估器來(lái)選擇臨床指標(biāo)，組合形成指標(biāo)特征向量。在向量線性融合模塊中，通過(guò)典型相關(guān)分析（Canonical Correlation Analysis， CCA）方法將圖像特征向量和指標(biāo)特征向量進(jìn)行線性融合。在疾病分類(lèi)診斷模塊中，將融合特征向量輸入多分類(lèi)分類(lèi)器來(lái)區(qū)分阿爾茨海默病的3個(gè)階段，包括正常（CN）、輕度認(rèn)知障礙（MCI）、阿爾茨海默?。ˋD）。

1.1 圖像特征提取

文本構(gòu)建的TOP-CNN-NN圖像特征提取模型，充分發(fā)揮VGGNet-16卷機(jī)神經(jīng)網(wǎng)絡(luò)和單隱層網(wǎng)絡(luò)各自的優(yōu)勢(shì)和特點(diǎn)。首先對(duì)TOP-MRI圖像進(jìn)行預(yù)處理，然后利用VGGNet-16卷機(jī)神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理后的圖像進(jìn)行初步特征向量提取，最后將3個(gè)初步特征向量經(jīng)過(guò)投票加權(quán)后輸入單隱藏層網(wǎng)絡(luò)生成融合特征向量，模型框架如圖2所示。

1.1.1 TOP-MRI圖像預(yù)處理

本文選用三正交平面MRI圖像作為圖像特征提取模型輸入。三正交平面（TOP）是以大腦的空間幾何中心為中心，在3個(gè)方向上的切面，較為清晰地包含了用于AD診斷的重要信息，例如海馬體、內(nèi)嗅皮質(zhì)、杏仁核等形態(tài)信息，TOP示意圖如圖3所示。

特征提取之前需要對(duì)圖像進(jìn)行預(yù)處理，有助于更好地提取特征并提升最終的分類(lèi)效果。由于MRI圖像受檢測(cè)設(shè)備和檢查手法的影響，導(dǎo)致圖像出現(xiàn)不規(guī)整、噪聲高、明暗不一等問(wèn)題。針對(duì)此類(lèi)問(wèn)題，本文利用3個(gè)步驟來(lái)對(duì)圖像進(jìn)行預(yù)處理：

（1）變換幾何形狀。

（2）圖像濾波降噪。

（3）像素值標(biāo)準(zhǔn)化。

1.1.2 基于VGGNet-16的初步特征提取

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一類(lèi)包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，已被廣泛用于圖像相關(guān)的領(lǐng)域[8]。在本文提出的模型中，使用VGGNet-16分別對(duì)大腦的3個(gè)正交平面：軸位（Axials）、弧狀位（Sagittal）、冠狀位（Coronal）平面圖像來(lái)訓(xùn)練YX-CNN、XZ-CNN、YZ-CNN模型，3個(gè)CNN模型用于提取各自平面的初步特征向量。

VGGNet卷積神經(jīng)網(wǎng)絡(luò)是由牛津大學(xué)計(jì)算機(jī)視覺(jué)組合和Google DeepMind公司研究員一起研發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò)[9]。其探索了卷積神經(jīng)網(wǎng)絡(luò)的深度和其性能之間的關(guān)系，通過(guò)反復(fù)的堆疊3*3的小型卷積核和2*2的最大池化層，成功地構(gòu)建了16～19層深的卷積神經(jīng)網(wǎng)絡(luò)，本文選用的是VGGNet-16。

用MRIi表示 CNN第k層的特征圖，假設(shè)MRIi是卷積層，MRIi的產(chǎn)生過(guò)程可以描述為：

其中： Wi表示第i層卷積核的權(quán)值向量， 運(yùn)算符號(hào)“×”代表卷積核與第i-1層圖像進(jìn)行卷積操作，卷積的輸出與第i層的偏移向量bi相加，最終通過(guò)非線性的激勵(lì)函數(shù)f（x） 得到第i層的特征圖MRIi。VGGNet-16模型采用13層卷積層，低層卷積層提取一些低級(jí)的特征如緣、線條，高層卷積層將從低級(jí)特征中迭代提取更加復(fù)雜的特征。在每一組卷積層之后，添加了一個(gè)Max pooling池化層來(lái)獲得更加完整和重要的特征。假設(shè)MRIi是Max pooling層：

Max pooling對(duì)filter抽取到的若干圖像特征值，只保留最大的那個(gè)pooling層特征，可以減少模型參數(shù)數(shù)量，避免過(guò)擬合問(wèn)題。最后，VGGNet-16使用3全連接層將提取到的特征綜合起來(lái)。全連接層中的每個(gè)神經(jīng)元與其前一層的所有神經(jīng)元進(jìn)行全連接。全連接層可以整合卷積層或者池化層中具有類(lèi)別區(qū)分性的局部信息。初步特征向量即為VGGNet-16中最后一層全連接層的輸出。

1.1.3 基于單隱層網(wǎng)絡(luò)的融合特征提取

CNN用于提取三正交平面中軸位（XY）、弧狀位（XZ）、冠狀位（YZ）3個(gè)平面圖像的初步特征向量，3個(gè)初步特征向量均輸出自CNN的最后一個(gè)全連接層，即XY-FC-1000、XZ-FC-1000和YZ-FC-1000。由于每個(gè)軸位圖像存在各自的特點(diǎn)，在CNN特征提取過(guò)程中所關(guān)注的點(diǎn)和表達(dá)的特征也存在差異，不利于直接進(jìn)行融合。本文采用投票加權(quán)的方法，可以突出各自特征并降低特征差異帶來(lái)的向量融合問(wèn)題，投票加權(quán)流程如圖4所示。

首先，通過(guò)綜合XY-CNN、XZ-CNN和YZ-CNN的分類(lèi)結(jié)果，若存在相同的分類(lèi)結(jié)果，則將此結(jié)果作為投票結(jié)果;如果三者的分類(lèi)結(jié)果均不同，則將分類(lèi)正確率較高的結(jié)果作為投票結(jié)果。每一種投票結(jié)果對(duì)應(yīng)一種權(quán)重向量。將此權(quán)重向量與XY-FC-1000、XZ-FC-1000和YZ-FC-1000串行拼接的向量相乘， 最后，將投票加權(quán)特征向量輸入到單隱層神經(jīng)網(wǎng)絡(luò)中。單隱層神經(jīng)網(wǎng)絡(luò)的作用是融合3個(gè)正交平面的特征向量，輸出維度更低的融合特征向量，有利于下一步與臨床指標(biāo)特征進(jìn)行線性融合，同時(shí)又可避免過(guò)擬合問(wèn)題。TOP-CNN-NN模型輸出的圖像特征向量即是單隱層網(wǎng)絡(luò)的隱藏層輸出。

1.2 指標(biāo)特征選擇

ADNI公開(kāi)數(shù)據(jù)集中包含每個(gè)受試者的臨床信息，包括人口統(tǒng)計(jì)學(xué)信息、神經(jīng)心理學(xué)評(píng)估、生物學(xué)檢測(cè)、神經(jīng)病理學(xué)、基因檢測(cè)等。本文通過(guò)CfsSubsetEval評(píng)估器和查閱醫(yī)學(xué)相關(guān)論文，選擇了其中11個(gè)指標(biāo)作為臨床特征。其中包括2個(gè)人口統(tǒng)計(jì)學(xué)指標(biāo)，4個(gè)神經(jīng)心理學(xué)指標(biāo)，5個(gè)生物學(xué)檢測(cè)指標(biāo)。具體如下：

（1）簡(jiǎn)易智力狀態(tài)檢查量表（MMSE）。MMSE是目前臨床上檢查智力最常見(jiàn)的量表，能全面、準(zhǔn)確、迅速地反應(yīng)被試患者智力狀態(tài)及認(rèn)知功能缺損程度。通過(guò)量表總分值數(shù)反應(yīng)患者的情況，其中與文化教育程度有關(guān)，進(jìn)一步的測(cè)驗(yàn)包括記憶力、執(zhí)行功能等各項(xiàng)認(rèn)知功能的評(píng)估。

（2）臨床癡呆評(píng)估量表（CDR）。CDR是通過(guò)與患者及其家屬交談中獲得信息，加以提煉、完成對(duì)患者認(rèn)知受損程度的評(píng)估，繼而快速評(píng)定患者病情的嚴(yán)重程度。評(píng)定的領(lǐng)域包括記憶、定向力、判斷與解決問(wèn)題的能力、工作與社會(huì)交往能力、家庭生活和個(gè)人業(yè)余愛(ài)好、獨(dú)立生活自理能力。

（3）萊氏聽(tīng)覺(jué)言語(yǔ)學(xué)習(xí)測(cè)試（RAVLT）。RAVLT即刻和延遲測(cè)試，該測(cè)試評(píng)估患者的語(yǔ)言記憶，是最敏感的記憶測(cè)試之一。測(cè)試通過(guò)給患者聽(tīng)讀一定數(shù)量的內(nèi)容，然后進(jìn)行即刻和延時(shí)回憶，以此來(lái)判斷患者的情況。研究表明，RAVLT對(duì)于AD的區(qū)分均高于其它的神經(jīng)心理學(xué)評(píng)估。

（4）精神活動(dòng)功能問(wèn)卷（FAQ）。FAQ問(wèn)卷包含一些生活常見(jiàn)問(wèn)題，用于測(cè)量有關(guān)日常事務(wù)的詳細(xì)信息。通過(guò)受試者對(duì)于這些信息的描述來(lái)判斷其認(rèn)知能力。

（5）β淀粉樣蛋白。老年斑為AD神經(jīng)病理學(xué)特征性表現(xiàn)，其主要成分是β 淀粉樣蛋白（Amyloid β，Aβ）。生物體內(nèi)的Aβ以多種形式存在，其中最主要的為Aβ40和Aβ42[10]。研究發(fā)現(xiàn)，AD患者腦組織中β 淀粉樣蛋白明顯增多，通過(guò)檢測(cè)血漿中Aβ水平對(duì)于檢出AD有一定的幫助[14]。

（6）Tau蛋白和水溶性磷酸化Tau蛋白。Tau 蛋白是一種低相對(duì)分子質(zhì)量的微管相關(guān)蛋 白，在發(fā)生異常磷酸化、糖基化后易形成配對(duì)螺 旋纖維 （paired helical filaments， PHFs），進(jìn)一步組成 神經(jīng)原纖維纏結(jié)，后者為 AD 的特征性病理表現(xiàn)[10]。 中重度AD患者腦脊液中 tau 蛋白水平較正常對(duì)照明顯升高，且這一指標(biāo)的升高早于臨床癡呆癥狀的出 現(xiàn)，提示其可用于 AD 的預(yù)測(cè)[11]。

（7）ApoE-載脂蛋白E。ApoE是中樞神經(jīng)系統(tǒng)最主要的載脂蛋白之一，參與膽固醇的動(dòng)員和重分布，也是神經(jīng)系統(tǒng)發(fā)育和損傷后維持髓鞘和神經(jīng)元細(xì)胞膜完整性的必要成分，其在血漿中的蛋白水平受ApoE基因型[10]。相關(guān)研究表明攜帶ApoE 基因型者由MCI進(jìn)展至AD的風(fēng)險(xiǎn)較高，因此ApoE對(duì)于AD的診斷有一定的參考價(jià)值[12]。

1.3 特征向量融合

MRI圖像和臨床指標(biāo)數(shù)據(jù)都有其特殊的優(yōu)勢(shì)和局限性，對(duì)多元數(shù)據(jù)特征向量進(jìn)行融合，有利于提高阿爾茨海默?。ˋD）分類(lèi)診斷的準(zhǔn)確度。本文提出的模型將MRI圖像特征向量和臨床指標(biāo)特征向量通過(guò)典型相關(guān)分析（CCA），來(lái)分析2個(gè)特征向量之間的相關(guān)關(guān)系并產(chǎn)生新的融合特征向量，輸入分類(lèi)器進(jìn)行分類(lèi)診斷。

典型相關(guān)性分析是用來(lái)分析2個(gè)隨機(jī)向量彼此關(guān)系的統(tǒng)計(jì)方法之一。這種方法可以通過(guò)分析2個(gè)特征向量之間的相關(guān)關(guān)系產(chǎn)生新的融合特征向量，其不僅適用于信息融合，更適用于去除冗余信息。因此采用典型相關(guān)分析可以使得多源數(shù)據(jù)融合達(dá)到更好的效果[13]。

1.4 疾病分類(lèi)診斷

疾病分類(lèi)診斷主要通過(guò)多分類(lèi)器分類(lèi)實(shí)現(xiàn)。本文通過(guò)將圖像和指標(biāo)的融合特征向量輸入分類(lèi)器來(lái)診斷阿爾茨海默病的3個(gè)階段，包括正常（CN）、輕度認(rèn)知障礙（MCI）和阿爾茨海默?。ˋD）。本文選擇的多分類(lèi)器是決策樹(shù)。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集

本文采用的實(shí)驗(yàn)數(shù)據(jù)均來(lái)自公開(kāi)數(shù)據(jù)集ADNI。實(shí)驗(yàn)數(shù)據(jù)集總共包含302例相關(guān)患者的MRI圖像和臨床指標(biāo)。數(shù)據(jù)總共分為3個(gè)類(lèi)別，其中正常（CN）為91例;輕度認(rèn)知障礙（MCI）為141例;阿爾茨海默?。ˋD）為70例。

MRI圖像使用T1加權(quán)、三維磁化強(qiáng)度預(yù)備梯度回波序列獲得的3張正交平面切面圖像，具有較高的空間分辨率和時(shí)間分辨率，信噪比、偽影小，對(duì)大腦內(nèi)部結(jié)構(gòu)（如白質(zhì)、灰質(zhì)和腦脊液）的對(duì)比度良好，有利于顯示微小的腦部變化，對(duì)阿爾茨海默病的診斷具有重要價(jià)值。

臨床數(shù)據(jù)使用人口統(tǒng)計(jì)學(xué)信息、神經(jīng)心理學(xué)評(píng)估和生物學(xué)檢測(cè)3種數(shù)據(jù)類(lèi)型的11個(gè)臨床指標(biāo)。

2.2 評(píng)價(jià)指標(biāo)

本文使用正確率來(lái)評(píng)價(jià)多分類(lèi)模型的性能，其計(jì)算方法如公式（3）所示，其中T為分類(lèi)正確的樣本數(shù)量，C為參與分類(lèi)的總數(shù)量。

實(shí)驗(yàn)數(shù)據(jù)集以80比20的比例劃分，其中80%的數(shù)據(jù)用于訓(xùn)練目的，剩余的20%用于測(cè)試目的。使用交叉驗(yàn)證對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證，以獲得有效的分類(lèi)性能。

2.3 圖像特征提取模塊有效性評(píng)估

本文建立的TOP-CNN-NN模型用于提取MRI圖像特征向量，該模型由3個(gè)VGGNet-16卷積神經(jīng)網(wǎng)絡(luò)和1個(gè)單隱層網(wǎng)絡(luò)組成。

見(jiàn)表1，在基于醫(yī)學(xué)影像的多分類(lèi)上，對(duì)比其它論文提出的多分類(lèi)模型和本文建立的TOP-CNN-NN模型的性能。實(shí)驗(yàn)結(jié)果顯示，與Tong T等人[7]使用非線性圖融合（NGF）的方法和Liu M等人[15]提出的基于結(jié)構(gòu)的固有多視圖學(xué)習(xí)（ISML）方法相比，本文建立的模型的性能要優(yōu)于兩者。與Zhe X等人[16]提出的基于紋理分析組合（SVM-RFE）的方法相比，本文建立的模型雖然在分類(lèi)性能上存在差距，但是在建模過(guò)程中無(wú)需先驗(yàn)知識(shí)，無(wú)需臨床醫(yī)生參與。實(shí)驗(yàn)結(jié)果證明了本文建立的TOP-CNN-NN模型在基于醫(yī)學(xué)影像的多分類(lèi)上的有效性，進(jìn)一步證明了該模型用于提取MRI圖像特征向量的有效性。

2.4 指標(biāo)特征選擇模塊有效性評(píng)估

本文通過(guò)CfsSubsetEval評(píng)估器從ADNI數(shù)據(jù)集整理的28個(gè)指標(biāo)中篩選出11個(gè)臨床指標(biāo)，包含人口統(tǒng)計(jì)學(xué)信息、神經(jīng)心理學(xué)評(píng)估和生物學(xué)檢測(cè)3種類(lèi)型的指標(biāo)。

見(jiàn)表2，對(duì)比不同類(lèi)型臨床指標(biāo)的多分類(lèi)性能。實(shí)驗(yàn)結(jié)果顯示，基于2個(gè)人口統(tǒng)計(jì)學(xué)信息指標(biāo)（DEMOGRAPHIC-2）和5個(gè)生物學(xué)檢測(cè)指標(biāo)（BIOLOGY-5）的多分類(lèi)性能較差，基于4個(gè)神經(jīng)心理學(xué)評(píng)估指標(biāo)（NEUROPSYCHOLOGY-4）的多分類(lèi)性能較好，基于11個(gè)不同類(lèi)型臨床指標(biāo)（MERGE-11）的多分類(lèi)性能最好，且高于基于28個(gè)不同類(lèi)型臨床指標(biāo)（MERGE-28）的性能。實(shí)驗(yàn)結(jié)果證明了本文通過(guò)CfsSubsetEval評(píng)估器篩選的11個(gè)臨床指標(biāo)在多分類(lèi)上的有效性。

2.5 特征向量融合模塊有效性評(píng)估

本文通過(guò)典型相關(guān)分析（CCA），分析圖像特征向量和指標(biāo)特征向量之間的相關(guān)關(guān)系，并將其運(yùn)用于生成融合特征向量。

見(jiàn)表3，對(duì)比基于TOP-MRI圖像和臨床指標(biāo)的不同組合的多分類(lèi)性能。實(shí)驗(yàn)結(jié)果顯示，基于臨床指標(biāo)的多分類(lèi)性能要優(yōu)于基于TOP-MRI圖像的性能;將TOP-MRI圖像和臨床指標(biāo)簡(jiǎn)單拼接融合，雖然性能要略微優(yōu)于僅使用圖像，但與基于臨床指標(biāo)相比，其性能有一定的下降;如果使用典型相關(guān)分析（CCA）將TOP-MRI圖像和臨床指標(biāo)進(jìn)行融合可以提高分類(lèi)性能，并且略?xún)?yōu)于僅使用臨床指標(biāo)。實(shí)驗(yàn)結(jié)果證明了本文提出的模型使用TOP-MRI圖像和臨床指標(biāo)的合理性，同時(shí)也證明了典型相關(guān)分析用于多元數(shù)據(jù)融合的有效性。

2.6 疾病分類(lèi)診斷模型的有效性評(píng)估

本文提出的融合TOP-MRI圖像和臨床指標(biāo)的阿爾茨海默病多分類(lèi)診斷模型（LF），用于區(qū)分阿爾茨海默病的3個(gè)階段：包括正常（CN）、輕度認(rèn)知障礙（MCI）和阿爾茨海默?。ˋD）。

見(jiàn)表4，在阿爾茨海默病的多分類(lèi)診斷上，對(duì)比其它論文提出的多分類(lèi)診斷模型和本文提出的融合圖像和指標(biāo)的多分類(lèi)診斷模型的性能。實(shí)驗(yàn)結(jié)果顯示，Tong T等人[7]提出了一種基于圖的非線性融合方式（NGF），將影像學(xué)檢查中的MRI圖像、PET圖像和臨床數(shù)據(jù)中的CSF、基因型融合用于多分類(lèi)診斷，其正確率為53.8%。Zhu X等人[16]提出了一種稀疏鑒別特征選擇（SDFS）的方法，使用MRI和PET圖像作為實(shí)驗(yàn)數(shù)據(jù)，其分類(lèi)正確率為61.1%。Altaf T等人[6]將MRI圖像和其它臨床數(shù)據(jù)的特征融合（FF），其全腦圖像和臨床數(shù)據(jù)融合取得的分類(lèi)正確率為75%。與其它論文提出的阿爾茨海默病多分類(lèi)診斷模型對(duì)比，本文提出的模型在多分類(lèi)上的正確率可以達(dá)到86.7%。實(shí)驗(yàn)結(jié)果證明了本文提出的阿爾茨海默病多分類(lèi)診斷模型在多分類(lèi)上的有效性。

3 結(jié)束語(yǔ)

本文提出了一種融合圖像和指標(biāo)的新型多分類(lèi)診斷模型，充分挖掘TOP-MRI圖像和臨床指標(biāo)特征用于阿爾茨海默病的多分類(lèi)診斷。本文采用ADNI公開(kāi)數(shù)據(jù)集，通過(guò)多個(gè)實(shí)驗(yàn)驗(yàn)證了提出的阿爾茨海默病多分類(lèi)診斷模型在多分類(lèi)上的有效性。

由于模型性能的好壞受三正交平面MRI圖像提取位置的影響。另外，每種臨床指標(biāo)對(duì)于區(qū)分正常（CN）、輕度認(rèn)知障礙（MCI）和阿爾茨海默?。ˋD）的敏感性和特異性存在差異，可考慮將多分類(lèi)任務(wù)轉(zhuǎn)換成多個(gè)二分類(lèi)任務(wù)，每種二分類(lèi)任務(wù)使用不同的臨床指標(biāo)組合。

接下來(lái)的研究工作可以從這2個(gè)方面展開(kāi)。首先，研究三正交平面的提取位置對(duì)于分類(lèi)性能的影響。其次，研究不同的指標(biāo)對(duì)于區(qū)分不同疾病類(lèi)型的敏感性和特異性，更好地提高阿爾茨海默病分類(lèi)的準(zhǔn)確度。

參考文獻(xiàn)

[1] ????張靜爽，王蓉. 阿爾茨海默病發(fā)生機(jī)制的研究進(jìn)展[J]. 首都醫(yī)科大學(xué)報(bào)，2014，35（6）：721-724.

[2] KARASAWA H， LIU C L， OHWADA H . Deep 3D Convolutional Neural Network architectures for Alzheimers disease diagnosis[M]//NGUYEN N， HOANG D， HONG T P， et al. Intelligent information and database systems. ACIIDS 2018. Lecture Notes in Computer Science， ?Springer， Cham， 2018， 10751：287-296.

[3] Liu J， Li M， Lan W， et al. Classification of Alzheimer's Disease Using Whole Brain Hierarchical Network[J]. IEEE/ACM Transactions on Computational Biology & Bioinformatics， 2018，15（2）：624-632.

[4] PLATERO C， TOBAR M C. Combining a patch-based approach with a non-rigid registration-based label fusion method for the Hippocampal segmentation in Alzheimers disease[J]. Neuroinformatics， 2017， 15（2）：165-183.

[5] SARWINDA D， BUSTAMAM A. 3D-HOG features-based classification using MRI images to early diagnosis of Alzheimers disease[C]// 2018 IEEE/ACIS 17th International Conference on Computer and Information Science （ICIS）. ?SINGAPORE：IEEE Computer Society， 2018，1：457-462.

[6] ALTAF T， ANWAR S M， GUL N， et al. Multi-class Alzheimers disease classification using image and clinical features[J]. Biomedical Signal Processing and Control， 2018， 43：64-74.

[7] TONG Tong， GRAY K， GAO Qinquan ， et al. Multi-modal classification of Alzheimer's disease using nonlinear graph fusion[J]. Pattern Recognition， 2016， 63：171-181.

[8] GU Jiuxiang， WANG Zhenhua， KUEN J，et al. Recent advances in Convolutional Neural Networks[J]. arXiv preprint arXiv：1512.07108， 2015.

[9] SIMONYAN K， ZISSERMAN A.Very Deep Convolutional Networks for large-scale image recognition[J]. arXiv preprint arXiv：1409.1556，2014.

[10]陳逸，張寶榮. 阿爾茨海默病相關(guān)核心生物標(biāo)志物研究進(jìn)展[J].生命科學(xué)，2014，26（1）：2-8.

[11]SCHRDER J，KAISER E，SCHNKNECHT P， et al.[CSF levels of total tau protein in patients with mild cognitive impairment and Alzheimer's disease][J]. Zeitschrift fur Gerontologie und Geriatrie，2008，41（6）：497-501.

[12]HSIUNG G Y R， SADOVNICK A D， FELDMAN H . Apolipoprotein E epsilon4 genotype as a risk factor for cognitive decline and dementia： data from the Canadian Study of Health and Aging[J]. CMAJ， 2004， 171（8）：863-867.

[13]孫權(quán)森， 曾生根， 王平安，等. 典型相關(guān)分析的理論及其在特征融合中的應(yīng)用[J]. 計(jì)算機(jī)學(xué)報(bào)， 2005， 28（9）：1524-1533.

[14]GLENNER M D G G， WONG C W. Alzheimer's disease： initial report of the purification and characterization of a novel cerebrovascular amyloid protein [J]. Biochemical and Biophysical Research Communications， 1984，120（3）：885-890.

[15]LIU M， ZHANG D， ADELI E ， et al. Inherent Structure-Based Multiview Learning With Multitemplate Feature Representation for Alzheimer's Disease Diagnosis[J]. IEEE Transactions on Biomedical Engineering， 2016， 63（7）：1473-1482.

[16]XIAOZhe，Ding Yi， LAN Tian ， et al. Brain MR Image Classification for Alzheimers disease diagnosis based on multifeature fusion[J]. Computational and Mathematical Methods in Medicine， 2017， 2017：1-13.

[17]ZHU Xiaofeng， SUK H I， SHEN Dinggang. Sparse Discriminative Feature Selection for Multi-class Alzheimers disease classification[M]//WU G，et al. Machine Learning in Medical Imaging， LNCS 8679.Switzerland：Springer， 2014：157-164.