融合圖像和指標(biāo)的阿爾茨海默病多分類診斷模型

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分類器來(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）和阿爾茨海默病（AD）。通過(guò)ADNI公開數(shù)據(jù)集證明，本文提出方法在阿爾茨海默病多分類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?中圖分類號(hào)：TP391?文獻(xiàn)標(biāo)志碼：A

0 引 言

阿爾茨海默病（Alzheimers disease， AD），又稱老年性癡呆。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)致日常活動(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）和阿爾茨海默病（AD）。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，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的多分類診斷。在本文提出的多分類診斷模型中，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。在疾病分類診斷模塊中，將融合特征向量輸入多分類分類器來(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）、阿爾茨海默病（AD）。

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的分類結(jié)果，若存在相同的分類結(jié)果，則將此結(jié)果作為投票結(jié)果;如果三者的分類結(jié)果均不同，則將分類正確率較高的結(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病（AD）分類診斷的準(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，輸入分類器進(jìn)行分類診斷。

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 疾病分類診斷

疾病分類診斷主要通過(guò)多分類器分類實(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）和阿爾茨海默病（AD）。本文選擇的多分類器是決策樹。

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;阿爾茨海默病（AD）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)多分類模型的性能，其計(jì)算方法如公式（3）所示，其中T為分類正確的樣本數(shù)量，C為參與分類的總數(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)影像的多分類上，對(duì)比其它論文提出的多分類模型和本文建立的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種類型的指標(biāo)。

見(jiàn)表2，對(duì)比不同類型臨床指標(biāo)的多分類性能。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）的多分類性能較好，基于11個(gè)不同類型臨床指標(biāo)（MERGE-11）的多分類性能最好，且高于基于28個(gè)不同類型臨床指標(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性能。實(shí)驗(yàn)結(jié)果顯示，基于臨床指標(biāo)的多分類性能要優(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性能，并且略優(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）和阿爾茨海默病（AD）。

見(jiàn)表4，在阿爾茨海默病的多分類診斷上，對(duì)比其它論文提出的多分類診斷模型和本文提出的融合圖像和指標(biāo)的多分類診斷模型的性能。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)融合取得的分類正確率為75%。與其它論文提出的阿爾茨海默病多分類診斷模型對(duì)比，本文提出的模型在多分類上的正確率可以達(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診斷模型在多分類上的有效性。

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診斷。本文采用ADNI公開數(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診斷模型在多分類上的有效性。

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）和阿爾茨海默病（AD）的敏感性和特異性存在差異，可考慮將多分類任務(wù)轉(zhuǎn)換成多個(gè)二分類任務(wù)，每種二分類任務(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。首先，研究三正交平面的提取位置對(duì)于分類性能的影響。其次，研究不同的指標(biāo)對(duì)于區(qū)分不同疾病類型的敏感性和特異性，更好地提高阿爾茨海默病分類的準(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.