基于rs-fMRI動態特征融合的阿爾茨海默病診斷

中圖分類號：TP391.4 文獻標識碼：A 文章編號：2096-4706（2025）16-0076-06

Alzheimer's Disease Diagnosis Based on Dynamic Feature Fusion of rs-fMRl

LINKai，WANGi （School of Informationand Artificial Intelligence，Anhui BusinessCollege，Wuhu 241oo2，China）

Abstract：ThedynamicFunctional Connectivity（dFC）networksbasedonresting-state functional MagneticResonance Imaging （rs-fMRI） provide an important approach for decipheringthe pathological mechanisms of Alzheimer's Disease （AD） and Mild Cognitive Impairment （MCI）.Aiming atthe problems of insuffcient modelingof interactionrelationships between continuous time-series features andthe lack ofmulti-scale spatio-temporal feature fusion mechanisms in existing Dp Learning methods，a DeepLearning framework basedonDynamicFeature Fusion （DFF）is proposed fortheautomatic diagnosisof braindiseasesusingrs-fMRIdata.Experimentalvalidationbasedonrs-fMRIdataof174subjectsfromtheAlzheimer'sDisease Neuroimaging Initiativedatabase shows thatthe proposed method demonstrates emarkable diagnostic performance n both binary and multi-classification tasks.

KeyWords：dynamic Functional Connectivity;dynamic feature fusion;Alzheimer's disease;rs-fMRI;braindisease classification

0 引言

阿爾茨海默病（Alzheimer'sDisease，AD）以進行性認知障礙為特征，是老年人常見的神經退行性疾病，也是導致癡呆最常見的病因[1]。根據阿爾茨海默病協會報告，AD是美國65歲及以上人群的第五大死因，而且因AD導致的死亡人數逐年增加[2。盡管AD的進展不可逆，但是通過在早期的輕度認知障礙（MildCognitiveImpairment，MCI）階段進行及時診斷和干預，有可能緩解病情惡化。因此，準確診斷AD進展的各個階段具有重要的臨床價值。靜息態功能磁共振成像（rs-fMRI）提供了一種無創的方式檢測大腦中的血氧水平依賴（BloodOxygenationLevelDependent，BOLD）信號[3]，已廣泛應用于AD進展評估。基于rs-fMRI數據構建的功能連接（FC）網絡可以有效刻畫靜息狀態下不同腦區之間的神經協同關系，已經逐步應用于AD的輔助診斷[4-7]。

現有研究大多使用基于皮爾遜相關系數的FC來表征分布式大腦區域之間的時間相關性[8-9]，隱含假設在整個fMRI記錄期間人腦的功能連接是靜態的[0]。然而，大量研究揭示了FC是動態而非靜態的[1-12]，這一發現推動了新的研究向動態FC分析轉型，為解析大腦網絡的功能特征[13]和精神疾病病理機制[14提供了新維度。在動態FC分析中，傳統機器學習方法雖然驗證了動態特征對腦疾病分類的診斷價值，但其特征工程依賴人工設計且難以建模復雜時空依賴關系。深度學習方法通過端到端的特征學習機制突破了這一瓶頸。例如，卷積神經網絡利用局部感受野提取空間模式，在阿爾茨海默病、自閉癥等分類任務中顯著超越傳統方法[15-16]；循環神經網絡則通過記憶單元建模時間依賴性，部分捕獲了動態網絡的時序變化規律[。然而，現有深度學習方法仍存在兩個關鍵缺陷：其一，在時間維度建模層面，對時間序列中相鄰特征的交互關系刻畫不足；其二，在空間特征整合層面，缺乏對多尺度時空特征的動態融合機制。

為此，本文提出了一種基于動態特征融合的深度學習框架，用于利用rs-fMRI時間序列進行端到端的AD進展分類。圖1展示了所提出框架的示意圖，它由三個部分組成，即動態功能連接網絡構建、時空特征層級提取、疾病分類決策。具體來說，首先采用滑動窗口將rs-fMRI時間序列劃分為多個連續片段，通過計算各片段內成對腦區BOLD信號的皮爾遜相關系數構建動態FC網絡。然后，使用三個卷積層和一個長短期記憶網絡（LongShort-TermMemory，LSTM）層從動態FC網絡中依次提取多尺度空間特征和時序特征。接著引入動態特征融合模塊，通過通道注意力和空間注意力實現多尺度特征的跨層級自適應融合。最后，使用兩個全連接層，接著進行Softmax激活進行腦疾病分類。本文在來自阿爾茨海默病神經影像計劃（theAlzheimer'sDiseaseNeuroimagingInitiative，ADNI）數據庫的174名受試者（包含563次rs-fMRI掃描數據）上對所提方法進行了評估，實驗結果表明，本文提出的方法有助于提高診斷性能。

Conv：卷積層LSTM：長短期記憶網絡層Fully-connected：全連接層Concat：特征拼接AvgPool：池化層 ? ：按元素相乘 ⊕ ：按元素相加

圖1基于動態特征融合的深度學習框架

1 材料和方法

1.1實驗對象和數據預處理

本文對ADNI數據庫獲取的rs-fMRI數據進行了研究。本研究使用了174名受試者的rs-fMRI數據，包括31名AD患者、45名晚期MCI（lateMCI，IMCI）患者、50名早期MCI（earlyMCI，eMCI）患者和48名正常對照（NormalControl，NC）。值得注意的是，本研究中的受試者在至少間隔6個月的時間進行了一次或多次掃描。AD、IMCI、eMCI和NC受試者組分別有99、145、165、154次掃描。每次掃描獲取的數據規格如下：平面內圖像分辨率為2.29～3.31mm ，切片厚度為 3.31mm ，TE（回波時間）Ω=30ms ，TR（重復時間） =2.2～3.1s ，每個受試者有140個時間點。表1總結了所有受試者的人口統計學和臨床信息。

所有研究對象的rs-fMRI數據均采用FSLFEAT軟件包中的標準流程進行圖像預處理，包括1）去除前3個時間點，2）切片時間校正，3）頭部運動校正，4）帶通濾波，以及5）白質，腦脊液和運動參數的回歸。使用自動解剖標記（AutomatedAnatomicalLabeling，AAL）模板[17]和可變形配準方法[18]，將每個受試者rs-fMRI掃描的大腦空間劃分為116個感興趣區域（RegionofInterest，ROI）。對于每個ROI，通過特定ROI內所有體素的BOLD信號計算得到平均rs-fMRI時間序列，作為本文提出方法的輸入。M/F表示Male/Female，MMSE表示Mini-MentalState Examination。

表1ADNI數據集的受試者統計信息

1.2基于動態特征融合的深度學習框架

如圖1所示，本文提出的基于動態特征融合的深度學習框架由三個部分組成：動態功能連接網絡構建、時空特征層級提取、疾病分類決策。本節將詳細介紹每個模塊。

1.2.1 動態功能連接網絡構建

如圖1（a）所示，基于ROI的平均rs-fMRI時間序列，本文采用重疊滑動窗口策略構建動態FC網絡。具體來說，對于每一個受試者，首先采用滑動窗口（ τ 表示窗口長度， δ 表示步長）將rs-fMRI時間序列分割為 T 個連續片段，通過公式（1）計算各片段內116個ROI之間BOLD信號的皮爾遜相關系數C，∈R16x116，構建動態FC網絡{C，}_， ∈RT×16x1。

其中，cov表示兩個向量之間的協方差， σ_xtⁱ 表示向量 x_tⁱ 的標準差， 分別表示第 t 個時間窗口內第i 個和第 j 個ROI的時間序列片段。

1.2.2 時空特征層級提取

如圖1（b）所示，本文首先定義三個卷積層，從構建的動態FC網絡中提取多尺度空間特征。然后，使用一個循環神經網絡層來提取時序特征。接著，引入動態特征融合模塊，通過通道注意力和空間注意力實現多尺度特征的跨層級自適應整合。具體細節如下：

1）多尺度空間特征提取。為了從整個動態FC網絡中學習腦區特征，在第一個卷積層中，本文將卷積核的大小設置為 2×116×1 ，沿三個維度的步長設置為（1，1，1）。為了從學習到的腦區特征中提取腦網絡特征，在第二個卷積層中，本文將卷積核的大小設置為 2×1×116 ，沿三個維度的步長設置為（1，1，1）。本文進一步定義第三個卷積層，將卷積核的大小設置為 8×1×1 ，沿三個維度的步長依然設置為（1，1，1），用來對整個動態腦網絡的高層次空間特征進行提取。

2）時序特征提取。為了捕獲相鄰時間序列片段之間的長期依賴關系，本文采用LSTM對大腦活動的時間動態模式進行建模。具體來說，首先將上一層學習到的高層次空間特征轉換為按時間順序排列的序列，然后由LSTM單元進行處理，提取時序特征。LSTM能夠有效解決傳統循環神經網絡中存在的梯度消失和梯度爆炸問題。本文采用一個LSTM層對整體功能特征進行表示，以學習隨時間變化的序列特征。

3）動態特征融合。本文提出了動態特征融合模塊，用于基于全局信息自適應地融合所提取的多尺度空間特征和時序特征，融合后的特征同時具備通道敏感性和空間顯著性。具體而言，首先將多尺度空間特征 F_conv∈R^1×1×1×32 和時序特征 F_lstm∈R^1×1×1×32 沿通道維度進行拼接，得到特征 F∈R^1×1×1×64 ，公式為：

F=Concat（[F_conv，F_lstm]）

為了有效利用融合后的特征，需要將通道數減少到原始數量32。通過全局平均池化、卷積層和Sigmoid激活函數生成全局通道權重 w_ch ，公式為：

w_ch=Sigmoid（Conv_1×1×1（AvgPool（F）））

利用全局通道權重 w_ch 對拼接特征進行特征選擇，并通過 1×1×1 卷積降維，公式為：

F_ch=Conv_|×|×1（w_ch?F）

為了對多尺度空間特征之間的空間依賴關系進行建模，通過卷積層和Sigmoid激活函數生成全局空間權重 w_sp ，公式為：

w_sp=Sigmoid（Conv_1×1×1（F_conv）⊕Conv_1×1×1（F_lstm））

利用全局空間權重 w_sp 對通道校準后的特征進行特征選擇，突出關鍵腦區連接，公式為：

1.2.3疾病分類決策

如圖1（c）所示，本文使用兩個全連接層（分別包含16和4個神經元）來學習融合特征 與疾病類別之間的映射關系。本文所提出方法的輸出（通過Softmax函數）是受試者屬于特定類別的概率。

1. 2.4 實現細節

本文提出的方法是使用基于Keras框架的Python實現的。在動態FC網絡構建時，根據經驗將滑動窗口長度 τ 設置為70，步長＼$設置為2。在時空特征層級提取過程中，三個卷積層的通道數分別設置為16、32、64，LSTM層的神經元數量設置為32。每個卷積層之后都進行批歸一化層、ReLU激活函數和比例為0.25的Dropout層。模型采用交叉熵函數作為損失函數，采用具有參數推薦的Adam優化器進行訓練。訓練輪數和批量大小根據經驗分別設置為200和16。

2 實驗分析

2. 1 實驗設置

本文采用5折交叉驗證策略來評估模型性能，以確保訓練數據和測試數據之間沒有重疊。為了評估所提出方法的有效性，本文在二分類和多分類任務上進行了實驗，包括1）eMCIvs.NC分類、2）ADvs

NC分類、3）ADvs.IMCIvs.eMCIvs.NC分類。具體來說，對于每個分類任務，所有受試者被分成5個子集（每個子集的大小大致相同）。依次選取每個子集作為測試集，將剩余的4個子集組合起來構建訓練集。此外，本文進一步選擇 20% 的訓練對象作為驗證數據來確定模型的最佳參數。最后對5折交叉驗證中的分類結果取平均值。值得注意的是，為了增加模型的泛化能力，每個受試者的每次掃描都作為獨立樣本，但同一個受試者的所有掃描具有相同的類別標簽。本文采用分類準確度（Accuracy，ACC）、敏感度（Sensitivity，SEN）和特異度（Specificity，SPE）來衡量二分類的性能。對于多分類任務，通過計算所有類別的總體準確度和每個類別的準確度來評估性能。

2.2 對比方法

在實驗中，將本文提出的方法與以下四種方法進行比較，其中包括兩種傳統方法和所提方法的兩個變體方法。

1）Baseline。在該方法中，首先通過計算任意兩個ROI的時間序列之間的皮爾遜相關系數，為每個受試者構建一個靜態FC網絡。然后將靜態FC網絡的連接強度作為特征。使用具有閾值（即 p 值 lt;0.05 ）的t檢驗方法進行特征選擇，隨后使用默認參數的線性支持向量機（SupportVectorMachine，SVM）進行分類。

2）CC。在該方法中，首先為每個受試者構建一個靜態FC網絡。然后從靜態FC網絡中提取所有116個ROI的局部聚類系數作為特征。分別使用 t 檢驗和默認參數的SVM進行特征選擇和分類。

3）CNN。作為提出方法的變體，該方法采用了與提出方法相同的架構，但是在實現時沒有考慮時序特征提取和動態特征融合策略。具體來說，該方法包含本文提出方法的三個卷積層，但不包含LSTM層和動態特征融合模塊。

4）CRNN。作為提出方法的另一個變體，該方法采用了與提出方法相同的架構，但是不使用所提出的動態特征融合策略。具體來說，該方法包含三個卷積層和一個LSTM層，但不包含動態特征融合模塊。

2.3 分類性能

表2和表3分別報告了不同方法在兩個二分類任務和一個多分類任務中的定量結果。圖2進一步繪制了二分類任務的受試者工作特征（ReceiverOperatingCharacteristic，ROC）曲線。從表2、表3和圖2中可以看出，本文提出的DFF方法在三個分類任務中總體上都優于其他四種對比方法。例如，本文提出的DFF方法在eMCIvs.NC分類以及ADvs.NC分類中的準確度分別達到 87.6% 和 95.3% ，而對比方法獲得的最佳準確度分別為 84.5% 和 92.8% 。對更有挑戰性的ADvs.IMCIvs.eMCIvs.NC分類，本文提出的DFF方法的總體準確度為 64.5% ，而四種對比方法中的最佳總體準確度為 61.7% 。這些結果表明，本文提出的方法在基于rs-fMRI的腦疾病分類中的有效性。

此外，從表2、表3和圖2中，還可以得出三個主要的觀察結果。第一，基于動態FC網絡的方法（即CNN、CRNN和DFF）通常優于基于靜態FC網絡的方法（即Baseline和CC），這表明對rs-fMRI時間序列中的時間動態特性進行顯式建模，有利于腦疾病的分類。第二，與CNN方法相比，CRNN方法可以獲得更高的分類性能，這證明了從動態FC網絡中挖掘時序特征的優勢。第三，本文提出的DFF方法總體上比CRNN方法表現更好。這些結果意味著，多尺度時空特征的自適應融合策略有助于提升腦疾病分類性能。另一方面，圖3繪制了DFF方法在ADvs.IMCIvs.eMCIvs.NC分類任務的5折交叉驗證中訓練集和驗證集的總損失曲線。從圖3可以看出，本文提出的DFF方法可以在80個迭代輪數內快速收斂。

表2五種不同方法在二分類任務的性能單位：%

表3五種不同方法在多分類任務的性能

單位：%

圖2五種不同方法的ROC曲線

（b）DFF方法在驗證集五折交叉驗證的總損失曲線圖3訓練集和驗證集的總損失曲線

3結論

本文提出了一種基于動態特征融合的深度學習框架，用于基于rs-fMRI時間序列數據進行AD進展的自動診斷。具體來說，首先使用滑動窗口策略為每個受試者構建動態功能連接網絡。然后，使用三個卷積層和一個LSTM層從動態功能連接網絡中依次提取多尺度空間特征和時序特征。最后，通過動態特征融合模塊實現多尺度空間特征與時序特征的自適應融合，并通過兩個全連接層進行腦疾病分類。對來自ADNI數據庫的174名受試者的rs-fMRI數據進行的實驗表明，本文提出的方法能有效提升分類性能。

參考文獻：

[1]FANLY，MAOCY，HUXC，et al.NewInsightsIntothe PathogenesisofAlzheimer'sDisease[J/OL].Frontiersin Neurology，2020，10：1312[2025-01-02].https：//doi.org/10.3389/fneur.2019.01312.

[2]ASSOCIATIONA.2024Alzheimer'sDiseaseFactsandFigures[J].Alzheimer'samp;Dementia，2024，20（5）：3708-3821.[3]LEEMH，SMYSERCD，SHIMONYJS.Resting-statefMRI：AReviewofMethodsand Clinical Applications[J].AmericanJournalofNeuroradiology，2013，34（10）：1866-1872.[4]GANJZ，PENGZW，ZHUXF，etal.BrainFunctional Connectivity Analysis Based on Multi-Graph Fusion [J/ OL].Medical Image Analysis，2021，71：102057[2025-01-07].https：//doi.org/10.1016/j.media.2021.102057.[5]JIEB，LIUM，ZHANGD，etal.Sub-networkKernelsforMeasuring Similarity of Brain Connectivity Networks inDisease Diagnosis [J].IEEE Transactions on Image Processing，2018，27（5）：2340-2353.[6]WANG M，LIANC，YAO D，et al. Spatial-temporalDependencyModelingandNetworkHubDetectionforFunctionalMRIAnalysis via Convolutional-recurrent Network[J].IEEETransactions on Biomedical Engineering，2019，67（8）：2241-2252.

[7]BIX，SHUQ，SUNQ，etal.Random SupportVector

MachineClusterAnalysisofResting-state fMRI inAlzheimer's

Disease[J].PLOSONE，2018，13（3）：1-17.[8]JIEB，ZHANGD，GAOW，etal.Integration

ofNetwork TopologicalandConnectivity Propertiesfor

NeuroimagingClassification[J].IEEETransactionsonBiomedical

Engineering，2014，61（2）：576-589.[9] WANG M，ZHANG D，HUANG J，et al. Identifying

Autism Spectrum Disorderwith Multi-sitefMRI via Low-Rank

Domain Adaptation [J].IEEE Transactions on Medical Imaging，

2020，39（3）：644-655.[10]SPORNS O.The Human Connectome：A Complex

Network[J].Annals of the New York Academy of Sciences，

2011，1224（1）：109-125.[11]HUTCHISONRM，WOMELSDORFT，ALLENE

A，etal.DynamicFunctionalConnectivity：Promise，Issues，and

Interpretations[J].NeuroImage，2013，80：360-378.[12]ZHANGJ，CHENGW，LIUZ，etal.Neural，

Electrophysiological and Anatomical Basisof Brain-Network

VariabilityandIts Characteristic ChangesinMentalDisorders[J].

Brain，2016，139：2307-2321.[13]KUDELAM，HAREZLAKJ，LINDQUISTMA.

AssessingUncertainty in Dynamic Functional Connectivity[J].

NeuroImage，2017，149：165-177.[14]DAMARAJUE，ALLENEA，BELGERA，etal.

Dynamic FunctionalConnectivityAnalysisReveals Transient

StatesofDysconnectivity in Schizophrenia [J].NeuroImage：

Clinical，2014，5：298-308.

[15]LIANC，LIUM，ZHANGJ，etal.Hierarchical

FullyConvolutional Network for Joint AtrophyLocalization and

Alzheimer'sDiseaseDiagnosisUsingStructuralMRI[J].IEEE

Transactions on Pattern Analysis and Machine Intelligence，

2020，42（4）：880-893.

[16]JIEB，LIUMX，LIANCF，etal.Designing

WeightedCorrelationKernelsinConvolutionalNeuralNetworks

forFunctional Connectivity Based Brain Disease Diagnosis[J/

OL].Medical Image Analysis，2020，63：101709[2024-12-26].

https：//doi.org/10.1016/j.media.2020.101709.

[17]TZOURIO-MAZOYERN，LANDEAUB，

PAPATHANASSIOU D，et al.Automated Anatomical Labeling of

Activations in SPMUsinga Macroscopic Anatomical Parcellation

of the MNIMRI Single-Subject Brain[J].Neuroimage，2002，15（1）：273-289.

[18]VERCAUTERENT，PENnecX，PERCHANTA，

et al.Diffeomorphic Demons：Efficient Non-Parametric Image

Registration[J].NeuroImage，2009，45（1）：S61-S72.

作者簡介：林凱（1996一），男，漢族，安徽宣城人，助教，碩士，研究方向：人工智能、深度學習；王睿（1986—），女，漢族，吉林松原人，副教授，博士在讀，研究方向：人工智能、大數據。