基于特征增强金字塔网络的阿尔茨海默症早期诊断研究

作者：石磊; 彭少康; 张亚萌; 赵国桦; 高宇飞^*

来源：数据采集与处理, 2022, 37(04): 727-735.

DOI：10.16337/j.1004-9037.2022.04.002

• 阿尔茨海默症
• 核磁共振成像
• 深度学习
• 浅层特征重提取
• 融合权重

阿尔茨海默症（Alzheimer’s disease,AD）作为一种不可逆转的神经退行性疾病，能在其发病初期进行干预治疗对病情的控制和改善具有重要意义。近年来，研究者广泛地使用深度学习方法对AD的核磁共振成像（Magnetic resonance imaging,MRI）进行分析并做出早期诊断。但AD早期的脑部结构变化与正常人差别较小，目前单一尺度的分析方法难以有效捕捉到这些细小差别的特征。针对以上问题，本文提出特征增强金字塔网络（Feature enhanced pyramid network,FEPN）进行AD的MRI早期诊断，通过设计的浅层特征重提取模型利用上下文信息补充高层特征，并计算融合权重指导高低层特征图的融合，增强了上下文信息交互和多尺度特征融合的匹配度。对比实验采用Kaggle公开的Alzheimer数据集对该方法进行验证，实验结果表明，相比于其他同类方法，FEPN有效提升了4种AD脑状态（非痴呆、非常轻度痴呆、轻度痴呆、中度痴呆）MRI的分类精度。

• 单位
  郑州大学; 河南省人民医院; 郑州大学第一附属医院