論文鏈接：https://arxiv.org/abs/1710.04782
Lu D, Popuri K, Ding G W, et al. Multimodal and multiscale deep neural networks for the early diagnosis of Alzheimer’s disease using structural MR and FDG-PET images[J]. Scientific reports, 2018, 8(1): 5697.
使用結(jié)構(gòu)MR和FDG-PET圖像進行早期診斷阿爾茨海默病的多模態(tài)和多尺度深度神經(jīng)網(wǎng)絡(luò)
相關(guān)論文：Multiscale deep neural network based analysis of FDG-PET images for the early diagnosis of Alzheimer’s disease, 此處附上翻譯 here.
ABSTRACT
阿爾茨海默残凉荨（AD）是一種進行性神經(jīng)退行性疾病更舞。遺忘性輕度認知障礙（MCI）是轉(zhuǎn)變?yōu)榕R床損傷之前的常見首發(fā)癥狀尚猿，其中個體變得不能獨立地進行日常生活活動拧抖。雖然目前沒有可用的治療方法，但早期確定的診斷結(jié)果越早灶似，干預(yù)的可能性就越早，甚至可能阻止進展為完全AD。從MRI獲得的神經(jīng)成像掃描和通過FDG-PET獲得的代謝圖像提供了對活腦的結(jié)構(gòu)和功能（葡萄糖代謝）的體內(nèi)觀察愚墓。假設(shè)結(jié)合不同的圖像模態(tài)可以更好地表征人腦的變化，從而更準確地早期診斷AD昂勉。在本文中浪册，我們提出了一種新的框架，以區(qū)分正常對照（NC）受試者與AD病理對象（AD和NC岗照，MCI受試者將來轉(zhuǎn)換為AD）议经。我們利用多模態(tài)和多尺度深度神經(jīng)網(wǎng)絡(luò)的新方法被發(fā)現(xiàn)對3年內(nèi)轉(zhuǎn)換的受試者預(yù)測提供了85.68％的準確度。交叉驗證實驗證明谴返，與現(xiàn)有已發(fā)表文獻的結(jié)果相比煞肾，它具有更好的辨別能力。
Introduction
阿爾茨海默采じぁ（AD）是最常見的癡呆癥籍救，影響了65歲以上的9個人中的1個。阿爾茨海默氏病涉及進行性認知障礙渠抹，通常與早期記憶喪失有關(guān)蝙昙，需要在晚期階段為自我護理活動提供幫助。阿爾茨海默氏癥通過前驅(qū)期進化梧却，通常被稱為輕度認知障礙（MCI）階段奇颠，10-15％的MCI患者每年進展為AD。隨著預(yù)期壽命的提高放航，估計全球約1.2％的人口將在2046年之前患上阿爾茨海默病烈拒，從而直接影響數(shù)百萬人，并且通過對家人和照顧者的影響間接影響更多人广鳍。目前阿爾茨海默氏癥的研究目標是對患有阿爾茨海默病的病人進行可靠的前驅(qū)鑒定荆几，原因是早期干預(yù)可能會改變病程。臨床診斷涉及嚴格的評估赊时，以排除非阿爾茨海默病的認知能力下降的原因吨铸，但這受限于識別前驅(qū)AD的特異性。因此祖秒，我們認為有必要使用一種工具來可靠地檢測和鑒別前驅(qū)的阿爾茨海默病诞吱。
過去努力了解AD病理學(xué)導(dǎo)致將神經(jīng)影像學(xué)識別為前驅(qū)診斷的有希望的工具之一舟奠。涉及磁共振成像（MRI）和氟脫氧葡萄糖正電子發(fā)射斷層掃描（FDG-PET）的神經(jīng)影像是獨特的成像模式，被認為是識別前驅(qū)AD患者的有用工具房维。 MRI提供結(jié)構(gòu)細節(jié)沼瘫，如紋理，厚度握巢，密度和各種大腦區(qū)域的形狀晕鹊，而FDG-PET測量靜息狀態(tài)葡萄糖代謝，反映下面組織的功能活動6暴浦。 FDG-PET和MRI經(jīng)常用于神經(jīng)成像疾病的計算機輔助診斷中的神經(jīng)成像技術(shù)溅话。已經(jīng)進行了相當大的努力來使用結(jié)構(gòu)MRI或FDG-PET或與其他生物標記物的組合來開發(fā)用于前驅(qū)診斷阿爾茨海默病的自動計算機輔助工具。
深度神經(jīng)網(wǎng)絡(luò)已被廣泛研究并證明其具有許多識別任務(wù)的最佳性能歌焦。深度神經(jīng)網(wǎng)絡(luò)在識別AD相關(guān)模式中的應(yīng)用也引起了對前驅(qū)AD的應(yīng)用的興趣飞几。通過應(yīng)用深度神經(jīng)網(wǎng)絡(luò)來提取特征，例如堆疊自動編碼器（SAE）或深度玻爾茲曼機器（DBM）独撇，這些方法優(yōu)于其他流行的機器學(xué)習(xí)方法屑墨，例如支持向量機（SVM）和隨機森林技術(shù)。然而纷铣，阻礙神經(jīng)影像學(xué)中深度學(xué)習(xí)應(yīng)用的主要障礙之一是它需要大量數(shù)據(jù)集來訓(xùn)練模型卵史，而可用的圖像數(shù)量限制在數(shù)百或數(shù)千，遠小于數(shù)據(jù)樣本的特征維數(shù)搜立。 以躯。為了克服這一挑戰(zhàn)，一種流行的方法是將圖像分割成補丁并從每個補丁中提取特征啄踊。然而忧设，對輸入數(shù)據(jù)進行下采樣可能導(dǎo)致判別信息的丟失，這可能是先前方法未能達到該診斷任務(wù)的令人滿意的準確度的潛在原因颠通。用于圖像識別的模式挖掘和特征提取的共同擴展是多尺度處理址晕。通過提取不同分辨率或尺度的特征，多尺度特征可以更好地表征分類任務(wù)的圖像顿锰，最近的研究表明它還可以提高深度神經(jīng)網(wǎng)絡(luò)的分類性能谨垃。
因此，我們提出了一種將多尺度和多模態(tài)處理與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的新方法撵儿，用于早期診斷AD乘客。通過對1000多名受試者的交叉驗證實驗，我們證明了1）我們的網(wǎng)絡(luò)可以從多尺度和多模態(tài)特征中學(xué)習(xí)隱藏模式淀歇，用于檢測AD病理; 2）我們的方法優(yōu)于以前關(guān)于潛在AD受試者的判別任務(wù)的方法; 3）我們的網(wǎng)絡(luò)可以識別將在3年內(nèi)轉(zhuǎn)換為AD的受試者，準確率為85.68％匈织，這是一個很有希望的結(jié)果浪默。
Methods
提出的框架有兩個主要步驟：1）圖像預(yù)處理：將MRI掃描和FDG-PET圖像分成Patch牡直，并從每個Patch中提取特征; 2）分類：訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)以學(xué)習(xí)區(qū)分AD病理學(xué)的模式，然后使用它來分類具有AD病理學(xué)的個體纳决。
Data
用于制備本文的數(shù)據(jù)來自阿爾茨海默氏病神經(jīng)影像學(xué)倡議（ADNI）數(shù)據(jù)庫（adni.loni.usc.edu）碰逸。 ADNI于2003年作為公私合作伙伴關(guān)系啟動，由首席研究員Michael W. Weiner博士領(lǐng)導(dǎo)阔加。 ADNI的主要目標是測試是否可以將連續(xù)MRI饵史，PET，其他生物標志物以及臨床和神經(jīng)心理學(xué)評估結(jié)合起來測量輕度認知障礙（MCI）和早期阿爾茨海默彩だ啤（AD）的進展胳喷。
為了全面驗證所提出的方法，強調(diào)在本研究中使用所有可用的ADNI受試者（N = 1242）夭织，其具有在制備該手稿時的T1加權(quán)MRI掃描和FDG-PET圖像吭露。這些受試者被分為5組：1）穩(wěn)定的正常對照（sNC）：在基線時診斷為NC的360名受試者，并且在制備該手稿時保持相同; 2）穩(wěn)定的MCI（sMCI）：在所有時間點（至少2年）診斷為MCI的409名受試者; 3）進行性NC（pNC）：18名受試者在基線時評估為NC尊惰，但在制備該手稿時已進展至可能的AD; 4）進行性MCI（pMCI）：217名受試者在基線時評估為MCI并且進展至可能的AD; 5）穩(wěn)定的阿爾茨海默步哺汀（sAD）：238名受試者被診斷為所有可用時間點的AD。受試者的人口統(tǒng)計學(xué)和臨床信息如表1所示弄屡。括號中的數(shù)字是第二行中男性和女性受試者的數(shù)量题禀，而其余3行中的兩個數(shù)字代表年齡，教育年份的最小值和最大值和MMSE（迷你精神狀態(tài)檢查）得分膀捷。值得一提的是迈嘹，每個受試者可以在不同的時間點進行多次掃描。在該研究中總共有2402個FDG-PET掃描和2402個MRI圖像担孔。有關(guān)ADNI主題群組江锨，圖像采集協(xié)議程序和采集后預(yù)處理程序的詳細說明，請訪問http://www.adni-info.org糕篇。
Image Processing
與深度學(xué)習(xí)已證明有效的典型圖像識別問題不同啄育，我們的數(shù)據(jù)集相對較小。因此拌消，直接使用這個較小的圖像數(shù)據(jù)庫來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)不太可能提供高分類精度挑豌。然而，與典型的圖像識別任務(wù)相反墩崩，其中圖像包含大的異質(zhì)性氓英，該數(shù)據(jù)庫中的圖像是以相似的姿勢和比例獲得的所有人腦圖像，其在比較中顯示相對小得多的異質(zhì)性鹦筹。因此铝阐，我們應(yīng)用以下處理步驟來提取patch特征，如圖1所示：FreeSurfer 5.1用于將每個T1結(jié)構(gòu)MRI圖像分割成灰質(zhì)和白質(zhì)铐拐，然后將灰質(zhì)細分為87個感興趣的解剖區(qū)域（ROI）徘键。 Freesurfer分割由專家神經(jīng)解剖學(xué)家進行質(zhì)量控制练对，并且所記錄的任何錯誤都是手動校正的。然后吹害，對于標準T1 MRI圖像螟凭，執(zhí)行基于空間坐標的體素方式k均值聚類，以基于其空間信息將每個ROI分割成patch它呀。在本研究中螺男，patch的大小預(yù)定為500,1000和2000個體素，分別產(chǎn)生1488,705和343個patch纵穿∠滤恚考慮到本研究中可用的數(shù)據(jù)樣本數(shù)量有限，它旨在保留足夠的詳細信息以及避免過大的特征維度政恍。隨后汪拥，通過高維非剛性配準方法（LDDMM）將標準模板MRI的每個ROI配準到每個目標圖像的相同ROI。然后將配準圖應(yīng)用于標準模板的patch分割篙耗。這將模板分割轉(zhuǎn)換為每個目標MRI空間迫筑，從而將目標圖像細分為相同數(shù)量的patch。值得一提的是宗弯，在變換之后脯燃，由于非剛性配準編碼局部膨脹/收縮，不同圖像中模板patch的大小不一樣蒙保，因此其中一個特征過去常用于表示給定結(jié)構(gòu)腦掃描的區(qū)域信息辕棚。然后，對于每個目標受試者邓厕，使用基于標準化互信息的FSL-FLIRT程序逝嚎，使用FSL-FLIRT程序進行剛性變換，將受試者的FDG-PET圖像配準到其顱骨剝離的T1 MRI掃描详恼。自由度（DOF）設(shè)定為12补君，歸一化相關(guān)用作成本函數(shù)。 因為腦干區(qū)域最不可能受AD影響昧互，F(xiàn)DG-PET圖像的腦干區(qū)域中的平均強度被選作標準化個體腦代謝圖像中的體素強度的參考挽铁。每個patch的平均強度用作形成特征向量以表示代謝活動的元素，并且每個patch的體積用于表示腦萎縮敞掘。
Multiscale Deep Neural Network
利用從MRI和FDG-PET圖像中提取的特征叽掘，我們訓(xùn)練了多模態(tài)多尺度深度神經(jīng)網(wǎng)絡(luò)（MMDNN）來執(zhí)行分類。如圖2所示玖雁，網(wǎng)絡(luò)由兩部分組成更扁。第一部分是6個獨立的深度神經(jīng)網(wǎng)絡(luò)（DNN），對應(yīng)于單個模態(tài)的每個尺度。第二部分是用于融合從這6個DNN中提取的特征的另一個DNN疯潭。該DNN的輸入數(shù)據(jù)是從每個單個DNN獲知的級聯(lián)潛在表示赊堪。兩部分的DNN共享相同的結(jié)構(gòu)面殖。對于每個DNN竖哩，每個隱藏層的節(jié)點數(shù)分別設(shè)置為3N，3/4N和100脊僚，其中N表示輸入特征向量的維數(shù)相叁。被選定的節(jié)點數(shù)量以探索來自第一層中的不同patch的特征之間的所有可能的隱藏相關(guān)性，并逐漸減少后續(xù)層中的特征的數(shù)量以避免過度擬合辽幌。我們分別以兩個步驟（無監(jiān)督預(yù)訓(xùn)練和監(jiān)督微調(diào)）訓(xùn)練每個DNN增淹。然后MMDNN的所有參數(shù)一起調(diào)優(yōu)。
-
Unsupervised Pre-training
對于無監(jiān)督的預(yù)訓(xùn)練步驟乌企，每個被訓(xùn)練的DNN為堆疊式自動編碼器（SAE）.Autoencoder是一種人工神經(jīng)網(wǎng)絡(luò)虑润，用于無監(jiān)督地學(xué)習(xí)輸入數(shù)據(jù)中的非線性隱藏模式，它由三層組成加酵，輸入層拳喻，隱藏層層和輸出層，兩個相鄰的層完全相連猪腕。編碼功能冗澈，解碼功能和loss損失功能，此三個功能用于定義自動編碼器陋葡。在這項研究中亚亲，編碼函數(shù)定義為：，其中
是輸入數(shù)據(jù)腐缤，
是潛在表示捌归，
是權(quán)重矩陣，
是偏置項岭粤，
是激活函數(shù)惜索，為此我們使用了整流線性函數(shù)
。類似地绍在，解碼函數(shù)可以表示為：
门扇，其中我們用權(quán)重
約束編輯，并且使重建后的數(shù)據(jù)接近輸入
作為損失函數(shù)來優(yōu)化網(wǎng)絡(luò)臼寄。假設(shè)是，潛在表示可以捕獲數(shù)據(jù)變化的主要因素溜宽。與另一種流行的無監(jiān)督特征學(xué)習(xí)方法主成分分析（PCA）相比吉拳，
激活功能使網(wǎng)絡(luò)能夠捕獲數(shù)據(jù)變化的非線性因素，尤其是當多個編碼器和解碼器堆疊在一起形成SAE時适揉。為了全面訓(xùn)練網(wǎng)絡(luò)留攒，我們應(yīng)用了貪婪的逐層訓(xùn)練方法煤惩，其中每個隱藏層都單獨訓(xùn)練。 -
Supervised Fine-tuning
在預(yù)訓(xùn)練之后炼邀，DNN的前三層使用來自預(yù)訓(xùn)練的SAE的編碼器參數(shù)進行初始化魄揉，然后是softmax輸出層。 首先拭宁，我們在固定前三層的參數(shù)的同時獨立地訓(xùn)練了輸出層洛退。 然后，我們將整個網(wǎng)絡(luò)作為帶有subject標簽的多層感知器（MLP）進行微調(diào)杰标。 網(wǎng)絡(luò)輸出對象的概率屬于每個類別兵怯，而概率最高的類別確定對象的輸出標簽。 如果我們分別使用腔剂，
表示第i個樣本的輸入特征向量和標簽媒区，則基于交叉熵的損失函數(shù)可以顯示為：
其中N是輸入樣本的數(shù)量，j代表樣本的類別掸犬，h代表網(wǎng)絡(luò)函數(shù)袜漩。 -
Optimization of Network
網(wǎng)絡(luò)的每個訓(xùn)練步驟都是使用Adam算法的反向傳播來執(zhí)行的。 它是基于一階梯度的優(yōu)化算法登渣，已被證明具有計算效率噪服，并且適合訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。 在訓(xùn)練階段胜茧，該訓(xùn)練集被隨機分為多個小批粘优，在本次研究中每個小批包含50個樣本。 在每次迭代中呻顽，僅使用一個小批量進行優(yōu)化雹顺。 每批使用一次后，對訓(xùn)練集重新排序并再次隨機劃分廊遍，以使每批在不同epoch具有不同的樣本嬉愧。 -
Dropout
為了防止深度神經(jīng)網(wǎng)絡(luò)過度擬合，必須進行正則化以減少其泛化誤差喉前。 在這項研究中没酣，我們使用Dropout來學(xué)習(xí)更強大的功能并防止過擬合。 在Dropout層中卵迂，一些單元被隨機丟棄裕便，從而提供了一種以指數(shù)方式組合許多不同神經(jīng)網(wǎng)絡(luò)的方法。 在這項研究中见咒，我們在每個隱藏層之后插入了Dropout層偿衰。 在訓(xùn)練階段的每個迭代中，僅隨機選擇了一半的隱藏單元將結(jié)果提供給下一層，而在測試階段中下翎，所有隱藏單元均被保留以進行分類缤言。 通過避免對每個訓(xùn)練樣本上的所有隱藏單元進行訓(xùn)練，這種正則化技術(shù)不僅可以防止對訓(xùn)練數(shù)據(jù)進行復(fù)雜的共適應(yīng)并減少過擬合视事，而且還減少了計算量并提高了訓(xùn)練速度胆萧。 -
Early Stopping
我們用來防止過度擬合的另一種方法是早停。 因為深度架構(gòu)是通過迭代的反向傳播進行訓(xùn)練的郑口，所以在每個時期之后鸳碧，網(wǎng)絡(luò)都傾向于更適應(yīng)訓(xùn)練數(shù)據(jù)。 在某個時候犬性，提高網(wǎng)絡(luò)對訓(xùn)練集的適應(yīng)性將開始降低泛化精度。 為了在過度擬合之前終止優(yōu)化算法腾仅，使用了提前停止來指導(dǎo)需要進行多少次迭代乒裆。 在交叉驗證實驗中，將數(shù)據(jù)集分為訓(xùn)練和測試之后推励，我們將訓(xùn)練樣本進一步分為訓(xùn)練集和驗證集鹤耍。 僅使用前一組中的數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練，而使用后一組中的樣本來確定何時停止算法：而對于驗證組验辞，網(wǎng)絡(luò)具有最高的泛化精度稿黄。 在實際訓(xùn)練中，如果驗證準確性在50個epochs內(nèi)停止增加跌造，我們將停止優(yōu)化杆怕。 -
Ensemble Classifiers
盡管已證明盡早停止對于大多數(shù)深度學(xué)習(xí)問題很有用，但相對較小的數(shù)據(jù)集限制了我們可用于驗證的樣本數(shù)量壳贪。一個小的驗證集可能無法代表整個數(shù)據(jù)集陵珍，從而導(dǎo)致網(wǎng)絡(luò)出現(xiàn)偏差。因此违施，我們求助于集成多個分類器以執(zhí)行更穩(wěn)定互纯，更可靠的分類。我們沒有選擇一個驗證集磕蒲，而是將訓(xùn)練集隨機分為10個集留潦，并使用它們來訓(xùn)練10個不同的網(wǎng)絡(luò)以“投票”進行分類。在訓(xùn)練階段辣往，對于網(wǎng)絡(luò)i兔院，將使用集i進行驗證，而將其余9套用于訓(xùn)練排吴。在測試階段秆乳，將測試樣本饋入所有這些網(wǎng)絡(luò)，從而得出10組概率。對于每個樣本屹堰，添加了來自10個網(wǎng)絡(luò)的概率肛冶，概率最高的類別是該樣本的分類結(jié)果。盡管集成分類器的性能可能在每種情況下都不會比單個網(wǎng)絡(luò)好扯键，但該策略可以從統(tǒng)計角度提高分類器的魯棒性和穩(wěn)定性睦袖。
Results and Discussion
Experiments Setup
提出的深度神經(jīng)網(wǎng)絡(luò)是使用Tensorflow構(gòu)建的，Tensorflow是Google提供的開源深度學(xué)習(xí)工具箱荣刑。首先馅笙，為了將判別能力與現(xiàn)有技術(shù)方法進行比較，應(yīng)用10折交叉驗證實驗對sMCI和pMCI受試者進行分類厉亏。然后我們用不同的訓(xùn)練集進行了三次實驗董习，以測試pNC和pMCI的圖像是否包含AD病理學(xué)。對于這些實驗爱只，將4種數(shù)據(jù)集：sNC皿淋，sAD，pNC和pMCI以3種不同方式分成兩組：1）sNC和sAD的受試者被認為是組1恬试，pNC和pMCl的受試者屬于組2; 2）pMCI窝趣，sNC和sAD的受試者屬于group1，pNC被認為是group2; 3）所有受試者均被視為組1训柴。對于每個實驗哑舒，我們對group1應(yīng)用了10折交叉驗證。第1組的受試者隨機分為10個子集幻馁，其中9組用于訓(xùn)練洗鸵，其余組與用于測試的組2的受試者組合。如方法部分所述宣赔，隨機選擇10％的訓(xùn)練受試者作為早期停止的驗證集预麸，以防止過度擬合。對具有不同驗證集的10個網(wǎng)絡(luò)進行訓(xùn)練以對最終分類結(jié)果進行“投票”儒将。注意到它不是圖像而是我們分裂的對象吏祸，因此來自同一主題的不同時間點的圖像將不會用于訓(xùn)練和測試。
| group 1 | Group 2 | |
|---|---|---|
| 1) | sNC和sAD | pNC和pMCI |
| 2) | pMCI钩蚊，sNC和sAD | pNC |
| 3) | sNC贡翘，sAD，pNC和pMCI | / |
Compare with State-of-the-Art Methods
過去的研究人員一直在研究具有進行性認知衰退和穩(wěn)定認知障礙的受試者的分類砰逻。 pMCI被認為是具有高AD風(fēng)險的個體鸣驱，而sMCI被認為是在這些研究中沒有風(fēng)險或AD風(fēng)險低的個體。 為了評估我們的方法的性能蝠咆，我們將pMCI與sMCI的分類準確性與使用相同數(shù)據(jù)模態(tài)（比如T1加權(quán)MRI和FDG-PET）的先前方法進行比較踊东。 所提出的網(wǎng)絡(luò)在分類pMCI和sMCI個體方面優(yōu)于最先進的方法北滥，無論使用單模態(tài)還是多模式成像，如表2所示闸翅。值得一提的是再芋，在Chen et.al的研究中，他們 進行域遷移學(xué)習(xí)以利用輔助域數(shù)據(jù)（AD / NC對象）來改進分類坚冀。 盡管如此济赎，我們沒有輔助知識的方法的準確性比他們的準確率高3.5％。
AD Pathology Classification AD病理學(xué)分類
sMCI受試者的一個問題是我們只知道他們在準備這份手稿時保持穩(wěn)定记某，但他們未來仍可能進展為AD或其他精神疾病司训。雖然sMCI與pMCI實驗通常用于測試近期研究中分類器的辨別能力，但sMCI受試者的分類結(jié)果可能不是很準確液南。因此壳猜，我們進行了第二個實驗，包括僅用已知的阿爾茨海默病進展（pNC贺拣，pMCI和sAD）和正常對照（sNC）對個體進行分類蓖谢。我們通過在訓(xùn)練階段使用各種樣本組合來研究分類器的性能。在非称┪校基礎(chǔ)的level上，我們通過區(qū)分sAD和sNC來訓(xùn)練分類器啥辨，在下一level將pMCI和sAD組合起來代表阿爾茨海默氏癥組并訓(xùn)練他們將其與sNC組區(qū)分開來涡匀。在最后的level，我們結(jié)合pNC溉知，pMCI和sAD表示阿爾茨海默氏癥組從sNC組來區(qū)分陨瘩。深度神經(jīng)網(wǎng)絡(luò)提取的特征如圖3所示。我們觀察到分類器的準確性和靈敏度通過額外的pMCI和pNC訓(xùn)練逐步改善级乍，而特異性降低舌劳，如表4所示。此外玫荣，分類器性能為與單獨模態(tài)的性能相比甚淡，F(xiàn)DG-PET和結(jié)構(gòu)測量的組合略微更好。有趣的是捅厂，結(jié)構(gòu)成像測量的分類器性能不如FDG-PET測量贯卦。與結(jié)構(gòu)圖像相比， FDG-PET焙贷，一種神經(jīng)元活動的衡量標準撵割，是識別前驅(qū)阿爾茨海默氏癥的更好工具。
Multiscale Classification
表3中列出了用不同尺度提取的特征的分類精度辙芍。隨著Patch尺寸的變化啡彬，我們無法識別出任何增加或減少分類性能的趨勢羹与。 因此，具有較高分辨率的特征不一定涵蓋較低分辨率特征具有的辨別信息庶灿。 然而纵搁，與非透視特征uniscale相比，融合多尺度特征產(chǎn)生了更高的準確性跳仿，表明網(wǎng)絡(luò)能夠捕獲粗到細分辨率的判別信息诡渴。
Early Diagnosis
我們還研究了分類器識別疾病發(fā)作前患阿爾茨海默氏癥高風(fēng)險人群的能力。與僅用sAD訓(xùn)練的分類器相比菲语，用阿爾茨海默氏病的軌跡（pNC妄辩，pMCI和sAD）的組合樣本訓(xùn)練的分類器是優(yōu)越的。由于使用pNC和pMCI對網(wǎng)絡(luò)分類器進行了AD軌跡模式的訓(xùn)練山上，因此網(wǎng)絡(luò)能夠在識別具有AD風(fēng)險的個體時獲得特殊的分類性能眼耀，即分類器識別在疾病發(fā)作前約1,2和3年分別具有90.08％，85.61％和81.20％AD風(fēng)險的個體佩憾。 過去的研究使用單模態(tài)或多模態(tài)調(diào)查預(yù)測了AD發(fā)病哮伟。很少有研究使用PET作為單一模式或結(jié)合MRI，CSF或認知測量來預(yù)測AD發(fā)病妄帘。目前網(wǎng)絡(luò)分析中3年預(yù)測的準確性優(yōu)于引用研究中報告的準確性楞黄。使用結(jié)構(gòu)MRI作為獨立工具或除了其他臨床變量之外的預(yù)測疾病發(fā)作的研究報告的準確度值低于使用PET獲得的準確度值。
深度神經(jīng)網(wǎng)絡(luò)是通過對具有良好表征的對象的圖像進行先驗訓(xùn)練來準確識別物體的強大工具抡驼。因此鬼廓，使用DNN工具進行精確分類的基本要求是在監(jiān)督訓(xùn)練階段提供大量圖像（通常以百萬計）和良好表征的對象。因此致盟，在訓(xùn)練期間提供的對象的先驗知識（阿爾茨海默氏癥的特征）的妥協(xié)將限制后續(xù)分類的準確性碎税。由于我們目前對AD發(fā)病機制的理解及其在FDG-PET和結(jié)構(gòu)MRI圖像中的精確特征是有限的，DNN在實現(xiàn)100％準確分類方面受到威脅馏锡。診斷AD的臨床標準涉及一系列評估以提供接近精確的診斷雷蹂。盡管進行了嚴格的評估，臨床診斷的AD患者并非100％準確杯道，因此FDG-PET和結(jié)構(gòu)MRI特征可能與AD以外的其他疾病重疊匪煌，包括NC。因此蕉饼，用不太精確表征的圖像（FDG-PET和結(jié)構(gòu)MRI）訓(xùn)練的DNN不能實現(xiàn)100％準確的分類虐杯。我們建議通過升級FDG-PET和結(jié)構(gòu)成像方法或增加對AD特異性發(fā)病機制的理解來改進AD特征的表征，這將對DNN分類器工具在未來研究中的分類準確性產(chǎn)生積極影響昧港。
Conclusion
總之擎椰，我們提出了一種深度神經(jīng)網(wǎng)絡(luò)來識別有患阿爾茨海默病風(fēng)險的個體。我們使用隱藏在不同分辨率和不同模態(tài)中的模式訓(xùn)練分類器创肥，以區(qū)分具有阿爾茨海默氏癥軌跡（pNC达舒，pMCI和sAD）和沒有認知缺陷（sNC）的受試者值朋。我們的結(jié)果顯示分類器使用交叉驗證實驗成功地將具有AD病理學(xué)的個體與sNC區(qū)分開來的能力具有82.93％的顯著準確度(表2)。我們觀察到巩搏，FDG-PET和結(jié)構(gòu)MRI圖像組合構(gòu)建的網(wǎng)絡(luò)分類器的性能優(yōu)于單獨使用結(jié)構(gòu)MRI或FDG-PET構(gòu)建的網(wǎng)絡(luò)分類器昨登。此外，發(fā)現(xiàn)用pNC贯底，pMCI和sAD（阿爾茨海默氏病的軌跡）的組合樣本訓(xùn)練的分類器產(chǎn)生最高的分類準確度丰辣。最后，我們在疾病發(fā)作前識別患有AD病理的個體的實驗表明禽捆，疾病發(fā)作前3年的敏感性為85.68％(表4)笙什。因此，所提出的深度神經(jīng)網(wǎng)絡(luò)分類器可以是將來用于AD病理學(xué)的早期預(yù)測的潛在工具胚想。在該研究中pNC受試者的數(shù)量有限琐凭，導(dǎo)致pNC的準確性相對較低，因為將來積累的數(shù)據(jù)越多浊服，我們期望在AD病理學(xué)的NC受試者的預(yù)測中具有更高的準確性统屈。
