基于深度學習的帕金森病磁共振圖像輔助診斷

中圖分類號：TP391文獻標志碼：A

Abstract： Parkinson's disease is a prevalent neurodegenerative disorder characterized by insidious onset， complex symptoms，and the accuracy of clinical diagnosis highly depends on the doctor's experience， lacking objective and quantitative diagnostic techniques. With the advancement of artificial intelligence， the integration of deep learning techniques holds promise as an accurate and efficient approach for automated PD diagnosis. This paper proposes a deep learning-based framework for assisting in the diagnosis of Parkinson's disease.Firstly，an image segmentation model is employed to segment the midbrain region of axial slices of the brain. Secondly，the MobilenetV2 network was improved by incorporating inception architecture， CA attention mechanism，and TanhExp activation function. The improved MobilenetV2 model was trained and tested using midbrain images， achieving a diagnostic accuracy of 97.5% ，sensitivity of 97.53% ，and recall of 97.48% in distinguishing PD cases from normal controls.The performance of the model not only surpasses that of other classical networks but also more focuses on characteristic regions relevant to Parkinson's pathology， thereby providing accurate and reliable diagnostic outcomes.

Keywords： Parkinson's disease; magnetic resonance imaging; image segmentation; MobilenetV2; image classification

引言

帕金森病（Parkinson'sdisease，PD）又稱震顫麻痹，迄今為止僅可延緩其病程，尚無治愈方法。PD的診斷既可根據疾病直接的臨床特征，如步態[1]、腕部姿態[2]、面部表情[3]、足底觸覺[4]等，也可根據間接的差異性表現，如語音信號[5]手繪圖[6-8]、可穿戴傳感器的信號[9-1]等，但外部特征受環境影響大，診斷具有主觀性。

根據國際帕金森和運動障礙學會（interna-tional Parkinson and movement disorder society）有關帕金森和帕金森前驅體臨床診斷標準，伴有黑質致密帶（substantia nigra pars compacta，SNpc）神經變性和突出蛋白沉積的臨床特征是PD診斷的金標準。SNpc是多巴胺能神經元缺失的主要區域[12]，利用其神經影像學變化診斷帕金森病的特異性和敏感性均為 100%^[13] 。磁共振成像（magnetic resonance imaging，MRI）中多巴胺能功能正常黑質核團-1軸位呈現燕尾狀特征，稱為“燕尾征”[14]。如圖1所示，PD進程中的鐵沉積導致SNpc背外側高信號缺失，圖像上表現為燕尾征消失。用燕尾征消失來區分PD與健康對照的總體敏感性和特異性分別達到 97.7% 和94.6%^[15] ，準確率為 90%^[16] 。結合黑質區域及燕尾征的特異性變化進行PD的診斷更為客觀和準確。

研究人員希望通過分割黑質區域，以SNpc信號強度作為疾病診斷標準。LeBerre等[]使用醫學圖像分割的卷積神經網絡U-Network對帕金森病二維MRI圖像進行分割，但因SNpc區域分割困難，并未得到信號與病程間的顯著相關性。部分研究采取分割中腦區域，通過容積測定[18]或超聲重建[19]獲取中腦體積信息，計算中腦與腦橋容積比[20]等方法分析疾病進展，但診斷結果受分割精度影響較大，且量化分析通常需要大量的時間，因而存在一定的局限性。

圖1中腦和黑質示意圖Fig.1Diagramofmidbrainand substantianigra

另外一些研究人員利用深度學習強大的擬合能力，使用MRI圖像訓練網絡模型來診斷疾病。張巧麗等[1使用優化后的Alexnet模型對帕金森病組、正常對照組、多系統萎縮癥組進行分類實驗，獲得了 88% 的分類準確度，但無相關證據表明該模型是根據SNpc區域作出的診斷。Shinde 等[21]提出了一種基于神經黑色素敏感圖像的卷積神經網絡，用于診斷PD、非典型帕金森綜合征和正常對照組，實驗通過類激活圖證明了黑質區域對診斷結果有較大貢獻，但因輸人圖像是手動提取的，且在二分類任務中準確率僅達到 80% ，故在臨床推廣應用中存在困難。

現階段的研究還存在一些不足：1通過分割黑質區域來量化區分PD與健康對照組，其整體分割難度較大，診斷容錯率和準確度不高；2）利用全腦MRI圖像結合深度學習技術直接進行訓練和分類，但缺乏證據表明該模型是根據黑質區域的特異性改變而做出的判斷，缺乏規避無用特征輸入網絡對判斷結果造成影響的措施，使得全腦圖像診斷結果不可靠。考慮到以上研究中存在的問題，提出了一套基于深度學習的帕金森病輔助診斷框架，使用圖像分割模型處理二維全腦圖像，得到中腦區域圖像，再使用圖像分類模型對分割完畢的樣本圖像進行疾病診斷，多次迭代后獲得良好的疾病診斷結果。

1深度學習模型構建

本文提出的基于深度學習的帕金森病輔助診斷框架如圖2所示。先從公開數據庫帕金森病進展標志物計劃（Parkinson'sprogressionmarkersinitiative，PPMI）與阿爾茨海默病神經影像學計劃（Alzheimer's disease neuroimaging initiative，

ADNI）獲得了受試者腦部的三維核磁共振圖像，每個樣本在軸向選取5張包含中腦結構的二維切片，將部分二維切片手動標注ground truth來訓練圖像分割模型，使用優化完畢的分割模型批量處理剩余全腦切片。接著使用自適應裁剪算法將圖片調整至保留上下文特征信息的最小尺寸，并將其輸入至改進后的MobilenetV2模型，訓練網絡對圖像的鑒別能力。

圖2基于深度學習的帕金森病輔助診斷框架流程圖

Fig.2Flowchart ofadeeplearningframework forPDauxiliarydiagnosis

1.1 數據源、預處理及實驗環境

本研究數據從PPMI、ADNI數據庫獲得。從數據庫中隨機選擇了564名受試者信息，包括來自PPMI數據庫的266名PD患者信息及48名正常受試者信息，來自ADNI數據庫的250名正常受試者信息，詳見表1。

表1受試者臨床信息Tab.1 Clinical information of participants

考慮到目標面積比較小，提出了自適應裁剪策略，有效增加中腦區域的目標面積比。將自適應裁剪與中心裁剪以及直接改變尺寸的方法進行了對比，結果如圖3所示。考慮到特征不明顯、邊緣模糊等問題，使用限制對比度的自適應直方圖均衡化解決對比度弱、亮度低、特征不明顯的問題。但自適應直方圖均衡化處理后引入了一些邊緣噪聲，因此使用雙邊濾波去除噪聲，最后使用圖片銳化功能強化圖片邊緣，以削弱濾波造成的邊緣模糊情況，詳見圖4。

1.2 中腦區域分割

本研究以視覺幾何組（visualgeometrygroup，VGG）卷積神經網絡作為特征提取的主干，搭建了U形網絡，命名為VGG-UNet。網絡結構如圖5所示，左側的壓縮部分由卷積和下采樣構成，每次下采樣之前捕獲一次當前網絡層提取到的特征圖，稱為Feature X（1～5） ，而右側的解壓縮部分由卷積和上采樣構成，將輸入的特征圖上采樣擴大尺寸后與相同尺寸的FeatureX（ 1～5） 在通道維度進行拼接。該網絡使用DiceLoss損失函數（ ?L_Dice 區分中腦區域和背景，其中Dice系數（ C_Dice ）可以簡化為

圖3自適應裁剪、中心裁剪與直接改變尺寸法獲得的目標面積比

圖4圖像預處理

式中： N 為分割輸出的總像素； y_i 和 分別為像素 i 的預測分割結果和真實標簽； σ_ε 為較小值，防止分母為零。當預測結果與真實標簽相差較大時， C_Dice 較小，網絡權值更新的多。當預測結果與真實標簽相差較小時， C_Dice 較大，給網絡

權值帶來的更新越少。

分割任務中，隨機挑選了兩類數據的各10% ，手動標注生成對應的groundtruth，以7：3 的比例分為訓練集和驗證集，訓練分割神經網絡。另取 10% 的數據作為外部測試集，模型Batchsize設置為64，學習率設置為 10^-5 ，選擇Adam優化器，訓練共迭代100個epoch。

本文使用的分割網絡在每次提取到特征后，接續SE模塊對當前特征矩陣進行重新的權重分配。設特征矩陣 F 的尺寸為 R^H×W×C ，其中 H W 與 C 分別表示矩陣的高、寬與通道數。

F∈R^H×W×C

第一步，使用平均池化將每個通道上的H×W 個像素壓縮（squeeze）為一個像素，使用該像素值代替原來該通道的全局信息。此時特征矩

圖5VGG-UNet的網絡結構圖Fig.5 NetworkarchitectureofVGG-UNet

陣 F 尺寸從 H×W×C 變為 F_squ 的 1×1×C

第二步，采用兩個連續的全連接層處理壓縮后的特征矩陣，對應下式的 w₁ 、 w₂ ，其中 δ 是激活函數ReLU， σ 是激活函數Sigmoid，在兩個全連接層后分別使用ReLU和Sigmoid激活函數對原特征矩陣進行激發（excitation），調整權重分配。此時特征矩陣 F_squ 尺寸從 1×1×C 變為F_exc 的 C×1×1 。

第三步，將原特征矩陣每個通道上的 H^× W 個像素值乘以對應通道的權重，映射為新的表達，完成特征圖的重校準，得到校正后的特征矩陣 。網絡可以自適應地調整每個通道的權重，以增強對于任務的關鍵特征的響應，從而提高圖像分割的性能。

1.3 圖像分類網絡模型

考慮到實際應用需求，本文選擇如圖6（a）所示的深度可分離卷積搭建的MobilenetV2模型作為主干網絡進行改進：融合注意力機制重置特

圖6模型中的基本模塊Fig.6Basic modulesin themodel

Input.輸人；Output.輸出；Conv.卷積；Dwise.深度可分離卷積； C^∧ .卷積后的通道尺寸；CAmodule.CA注意力機制模塊；botleneck.瓶頸模塊；MaxPool.最大池化；AvgPol.平均池化；Concat.張量拼接；Batch norm.批歸一化；t.擴展因子；s.第一層bottleneck 的步距； r. 通道壓縮縮減比例。

征矩陣權重；融合多尺度特征捕獲模塊增加多層級特征溝通；引人TanhExp激活函數節約運算資源和訓練時間。網絡整體框圖如圖7所示，具

體網絡參數詳見表2。圖6（b）所示的多尺度特征捕捉的Inception模塊中，設輸入特征矩陣為I_in ，尺寸為 H×W×C （204號

圖7分類網絡整體結構圖

Fig.7 Overall architecture of the classification network

表2分類網絡詳細參數設置

Tab.2 Detailed parameter settings for the classificationnetwork

注：dropout.隨機失活層；t.擴展因子；c.輸出特征矩陣的channel; n .bottleneck的重復次數；s.第一層bottleneck的步距；u.useattention是否使用注意力機制模塊。

I_in∈R^H×W×C

用式（8）表示對特征矩陣的卷積操作

式中： Y_i 為支路的輸出特征矩陣； K_i 為卷積核的具體大小。由此，上述Inception結構的4條支路具體運算過程可表示為

Y₁=Conv（I_in，K_1×1）

Y₄=MaxPool（I_in，K_3×3）

將所有支路的輸出矩陣 Y_i 沿著通道維度進行拼接，得到最終的輸出特征矩陣 Y

Y=Concat（Y₁，Y₂，Y₃，Y₄）

輸出特征矩陣 Y 包含不同層級提取到的特征信息，對于黑質區域需要較大感受野捕獲整體強度信息，對于燕尾征微小特征點則需要敏銳的局部感知能力。應用Inception結構既兼顧了不同感受野尺寸的需求，又增加了網絡的寬度，提高了網絡工作的效率。

同時，在Inception提取多尺度特征之后，在平均池化層之前，于模型中搭建兩層如圖6（c）所示的坐標注意力機制（coordinateattention，CA）用來調整輸入特征矩陣的權重分配。假設輸入特征矩陣為 c_in ，尺寸為 H×W×C 。

Y_i=Conv（I_in，K_i）

C_in∈R^H×W×C

全局平均池化分為對特征矩陣高和寬的維度進行池化，捕獲了兩個方向上的信息交互。Z_AW（H） 表示沿矩陣寬方向完成平均池化后的特征矩陣， Z_AH（W） 表示沿矩陣高方向完成平均池化后的特征矩陣。

將 Z_AH（W） 變換維度后與 Z_AW（H） 在高這個維度上進行拼接，獲得特征矩陣 f 。

式中， r 表示通道壓縮/激發步驟中的縮減比例（reduction ratio）。

再沿著空間維度將 f 分為 f₁ 與 f₂

對特征圖分別進行 1×1 卷積升維和激活后，獲得對應的特征向量。

g₁=δ[Conv（f₁，K_1×1）]

g₂=δ[Conv（f₂，K_1×1）]

使用 g₁ 和 g₂ 特征向量指導原特征矩陣權重分布，最終的輸出為

Y=F_in×g₁×g₂

此外，本研究將第一層和最后一層卷積層中的ReLU激活函數替換成了TanhExp激活函數。在第一層卷積層之后接續TanhExp激活函數能更好地對輸入數據進行歸一化。最后一層卷積層常用于提取高級特征，對圖像進行分類，在此使用TanhExp激活函數可以提供更豐富的非線性特性，提高模型對圖片的識別能力和分類性能，結果如圖6（d）所示。

f（x）=xtanh（e^x）

式中： tanh（x） 表示以e為底， x 為自變量的雙曲線正切函數。

采用凍結訓練的方法，在前100個epoch凍結特征提取部分，僅訓練網絡后幾層，保護預訓練權重在前期被大幅改變，節省計算資源。在后100個epoch進行解凍訓練，自由更新權重參數，進行網絡全程的權重微調。將中腦分割完畢的數據集以 7：2：1 的比例劃分為訓練集、驗證集和測試集。模型使用交叉熵損失函數，Batchsize設置為64，初始學習率為 10^-4 ，按余弦退火進行衰減，使用Adam優化器，共迭代200個epoch。

2 結果與分析

2.1 中腦分割的結果

分割任務的精度直接影響了整個系統的性能和能達到的當前最佳性能（state-of-the-art，SOTA）。在本實驗中，測試了VGG-UNet在Dice相似系數（Dice similaritycofficient） D 、精確率（precison） P 、平均交并比（meanintersectionover union， MIOU） M， 、陽性預測值（positivepredict value） V 這4個方面的性能。

式中： T_p 為真陽性，即在groundtruth中預測為中腦的像素點； F_p 表示假陽性，即在groundtruth之外預測為中腦的像素點； F_n 表示假陰性，即在groundtruth中預測為背景的像素。訓練過程的損失（loss）和平均交并比如圖8所示，訓練與驗證損失未出現較大差異，模型未發生過擬合現象。將外部測試集分為5個數據子集（folder），每個數據子集測試10次，結合手動

10次的標注結果的評價指標繪制箱線圖。如圖9 所示，模型表現出類似手工分割的優異性能

圖8分割訓練過程的損失和平均交并比

圖9VGG-UNet在外部數據集的分割性能

Fig.9Segmentation performance of VGG-UNet on external dataset

為了對比手動分割與模型分割對分類任務的具體影響，分別使用手工和模型處理300張MRI圖像，并將分割結果用于MobilenetV2的分類任務中訓練100個epoch后進行預實驗。結果如圖10所示：由于數據較少，分割前后模型表現出較大的性能波動；手動分割與模型分割具有相似的分類效果，即相似的疾病診斷效能；原始圖像直接使用分類網絡的分類準確率約為0.7，分割后模型的分類準確率大幅提高，證明了樣本質量對診斷性能的巨大影響。為探究各改進措施對分割網絡性能的影響，設置了分割模型的消融實驗。如表3所示：使用 UNet+VGG 特征提取網絡能夠使模型具有更好的分割性能；SE模塊單獨作用效果不明顯，在結合VGG做特征提取時，效果明顯提升。

2.2 模型診斷結果

如圖11所示，原始圖像直接輸入基準網絡的分類效果較差，使用圖像增強技術增加像素間對比度，濾除噪聲后，模型收斂速度加快。使用圖像分割扣除無關背景信息后，網絡的分類性能有了大幅提升，熱力圖也更匯聚于中腦區域。應用自適應裁剪算法之后，網絡關注的特征更集中于SNpc區域，與帕金森病診斷標準吻合，診斷結果更可靠。

為了探究網絡的每個改進點對模型性能的具體優化程度，設置了改進模塊的消融實驗，結果如表4所示。將數據集優化完畢后，不引入任何模塊的診斷結果作為網絡優化的基線。訓練過程中，各模塊改進對網絡性能的提升結果如圖12（a）所示。在使用TanhExp激活函數，引入CA模塊、Inception結構和使用遷移學習的方法之后，網絡均有3到8個點的性能提升，證明以上模塊在該分類任務中對診斷性能有積極影響。測試集的表現繪制混淆矩陣如圖12（b）所示，根據具體分類情況計算各類別的精確率（precision）、召回率（recall）、F1分數（F1-score）及準確率（accuracy），結果如表5所示。

表3分割性能的消融實驗 Tab.3 Ablation experiments on segmentation performance

從模型競爭力角度出發，將本文模型與經典圖像分類模型Alexnet、VGG16、ResNet、Dens-Net、Mobilenet進行對比，結果如表6所示。

圖10手動分割和UNet分割的對比實驗 Fig.10Comparison experimentbetweenmanual segmentation andVGG-UNetsegmentation

圖11圖像處理對模型診斷的影響

Fig.11 The impact of image processing on model diagnosis

圖12分類模型訓練及測試時的性能表現

Fig.12 Performance of the classification model during training and testing

表5分類性能的評價指標

MobilenetV2模型能很好地平衡參數量與準確率。ResNet101僅次于本文模型，分類準確率達到了 94.6% 的，但改進后的MobilenetV2模型的參數量不到ResNet101的 1/10 。選擇參數量更小的模型不僅能加快網絡訓練速度，還能滿足低內存和低算力設備的移植要求。接著將本文研究方法與同領域的其他研究方法進行了對比，詳見表7。Gu等[22]將帕金森病患者MRI中結構和功能變化最顯著的腦區定義為感興趣區域（regionofinterest，ROI），對其進行特異性特征提取。他們使用支持向量機（supportvectormachine，SVM）構建分類器，對存在姿勢不穩、步態困難的帕金森患者及非疾病亞型的診斷準確率為

表6與其他主流網絡性能的對比

Tab.6 Performance comparison with other mainstreamnetworks

92.31% 。Abos等[23]重建腦網絡中的功能連接體，使用SVM訓練功能連接體中的特征，在區分PD與非輕度認知障礙患者的任務中，平均準確率達到了 82.6% 。陳璐等[24]使用棧式深度多項網絡提取MRI中的特征子集，使用SVM對每個子集進行分類，再對分類器進行集成學習，最終得到了 90.15% 、 85.48% 和 93.27% 的分類準確率、敏感度和特異性。Shinde等[21]使用卷積神經網絡識別神經黑色素磁敏感成像中的生物標志物，以類激活圖確定了黑質區域的關鍵貢獻，最終模型區分PD與進行性核上性麻痹的測試精度達到了 85.7% 。王洋等[25]以VGG 經典網絡為基準，搭建了MRIVGG-Net，使用帕金森患者與正常對照的MRI訓練網絡，獲得的診斷準確率達 85% 以上，可以輔助臨床醫生進行PD的診斷。對比結果表明，本文提出的結合圖像分割的帕金森病MRI診斷方法的性能表現極具競爭力。

表7與同領域其他研究方法的對比

Tab.7 Comparisonwithotherresearchmethodsin thesame field

注：PIGD.姿勢不穩和步態困難亞型；MCI.輕度認知障礙；Gre.圖譜重建；NC.normalcontrol；SDPN.棧式深度多項網絡；CNN.卷積神經網絡。

3結論

本文提出一種基于深度學習的帕金森疾病輔助診斷框架，用于輔助帕金森病的臨床MRI診斷。首先構建了適用于中腦分割的深度學習模型VGG-UNet，結合自適應裁剪算法，獲得了高目標面積比的中腦分割圖像。具體而言，使用上述方法分割圖像在外部驗證中的平均Dice相似系數達到 0.95±0.02 ，精確率達到 0.96±0.03 ，平均交并比達到 0.94±0.02 ，陽性預測值達到 0.96± 0.02。接著使用Inception結構、CA注意力機制和TanhExp激活函數優化MobilenetV2網絡，將中腦區域圖像輸入改進的MobilenetV2網絡，對PD和正常對照的診斷準確率達到 97.5% ，靈敏度達到 97.53% ，召回率達到 97.48% 。中腦分割不僅直接提升了診斷準確率，還使診斷模型更關注黑質區域，更符合帕金森病理學對黑質致密區域的醫學解釋。基于PPMI的數據試驗結果表明，本文所提方法在帕金森病的MRI診斷中取得了良好的效果，可為帕金森病的輔助診斷提供支持。

參考文獻：

[1]LEE S M，KIM M， LEE H M，et al.Differential diagnosis of parkinsonism with visual inspection of posture and gait in the early stage[J]. Gait amp; Posture， 2014，39（4）： 1138 -1141.

[2]MAZILU S， BLANKE U， CALATRONI A， et al. The roleofwrist-mounted inertial sensors in detecting gait freezeepisodesinParkinson'sdisease[J].Pervasiveand Mobile Computing， 2016，33：1-16.

[3]FERESHTEHNEJADSM，YAOC，PELLETIERA，et al.Evolution of prodromal Parkinson's disease and dementia with Lewy bodies： a prospective study[J]. Brain，2019，142（7）： 2051-2067.

[4]MCKEOWNMD，PETERSRM，PASMANEP， etal. Plantar cutaneous function in Parkinson's disease patients ON and OFF L-dopa[J]. Neuroscience Letters， 2016，629：251-255.

[5]ZHANG T， ZHANG Y J， CAO Y Y， et al. Diagnosing Parkinson's disease with speech signal based on convolutional neural network[J]. International Journal of Computer Applications in Technology， 2020， 63（4）： 348-353.

[6]LI Z， YANGJY，WANG Y W， et al. Early diagnosis ofParkinson's disease using Continuous Convolution Network： handwriting recognition based on off-line hand drawing without template[J]. Journal of Biomedical Informatics，2022，130：104085.

[7]SCARPINAF，BRUNOV，RABUFFETTIM，etal. Drawing linesand circles in Parkinson's Disease：the lateralized symptoms interfere withthe movementsof ne unailectea nana[J]. Neuropsycnoiogia， zUz1， 151： 107718.

[8]VARALAKSHMI P， Tharani P B，Anu R B， et al. Diagnosis of Parkinson's disease from hand drawing utilizing hybrid models[J].Parkinsonism amp; Related Disorders，2022，105： 24-31.

[9]BROGNARA L， PALUMBO P， GRIMM B，et al. Assessing gait in Parkinson's disease using wearable motion sensors： a systematic review[J].Diseases， 2019， 7（1）： 18.

[10]PASTORINO M， ARREDONDO M T， CANCELA J， et al.Wearable sensor network for health monitoring： the case of Parkinson disease[J]. Journal of Physics： Conference Series，2013，450： 012055.

[11]STACK E， AGARWAL V， KING R， et al. Identifying balance impairments in people with Parkinson's disease using video and wearable sensors[J]. Gait amp; Posture， 2018，62： 321-326.

[12]PYATIGORSKAYA N， MAGNIN B， MONGIN M， et al.Comparative study of MRI biomarkers in the substantia nigra to discriminate idiopathic Parkinson disease[J]. American Journal of Neuroradiology， 2018， 39（8）： 1460-1467.

[13]VAILLANCOURTD E， SPRAKER MB， PRODOEHL J， et al. High-resolution diffusion tensor imaging in the substantia nigra of de novo Parkinson disease[J]. Neurology，2009， 72（16）： 1378-1384.

[14]GAO P， ZHOU P Y， WANG P Q， et al. Universality analysis of the existence of substantia nigra \"swallow tail\"appearance of non-Parkinson patients in 3T SWI [J].European Review for Medical and Pharmacological Sciences，2016，20（7）： 1307-1314.

[15]MAHLKNECHT P， KRISMER F， POEWE W， et al. Meta-analysis of dorsolateral nigral hyperintensity on magnetic resonance imaging as a marker for Parkinson's disease[J]. Movement Disorders，2017，32（4）： 619 -623.

[16]張巧麗，遲學斌，趙地.基于深度學習的帕金森病癥 早期診斷[J].計算機系統應用，2018，27（9）：1-9.

[17]LE BERRE A，KAMAGATA K，OTSUKA Y， et al. Convolutional neural network-based segmentation can help in assessing the substantia nigra in neuromelanin MRI[J]. Neuroradiology， 2019，61（12）： 1387-1395.

[18]TANIGUCHI D， HATANO T， KAMAGATA K， et al. Neuromelanin imaging and midbrain volumetry in progressivesupranuclearpalsyandParkinson's disease[J]. Movement Disorders， 2018， 33（9）：1488 - 1492.

[19]PLATE A，AHMADI SA，PAULYO， et al.Threedimensional sonographic examination of the midbrain for computer-aided diagnosis of movement disorders [J].Ultrasound in Medicine amp; Biology， 2012， 38（12）： 2041-2050.

[20]MORELLI M， ARABIA G， MESSINA D， et al. Effect ofaging on magnetic resonance measures differentiating progressive supranuclear palsy from Parkinson's disease[J].Movement Disorders，2014， 29（4）： 488 - 495.

[21]SHINDE S， PRASAD S，SABOO Y， et al. Predictive markers for Parkinson's disease using deep neural nets on neuromelanin sensitive MRI[J]. NeuroImage： Clinical， 2019，22： 101748.

[22]GUQ Q， ZHANG H，XUANM，et al.Automatic classification on multi-modal MRI data for diagnosis of the postural instability and gait difficulty subtype of Parkinson's disease[J]. Journal of Parkinson's Disease， 2016，6（3）： 545-556.

[23]ABOS A，BAGGIO H C， SEGURA B，et al. Discriminating cognitive status in Parkinson's disease through functional connectomics and machine learning[J]. Scientific Reports， 2017， 7： 45347.

[24]陳璐，施俊，彭博，等.基于棧式深度多項式網絡集成 學習框架的帕金森病計算機輔助診斷[J].生物醫學 工程學雜志，2018，35（6）：928-934，942.

[25]王洋，劉積仁，趙大哲，等.卷積神經網絡在MRI圖像 診斷中的應用[J].東北大學學報（自然科學版）， 2019，40（2）： 169–173.

（編輯：李曉莉）