研究人员开发了一种实用的阿尔茨海默病大脑图像深度学习鉴别器

来源：心理研究所2022年10月24日10336037

研究组利用深度卷积神经网络构建了基于灰质厚度和灰质体积指数图的性别分类器，提出了“大脑性别”的概念。

磁共振成像是一种无创、无辐射的成像技术，广泛应用于脑损伤和脑肿瘤的临床。然而，对于阿尔茨海默病(AD)和其他人眼无法直接识别的脑部疾病，基于MRI的辅助诊断进展甚微。这是因为大多数广告分类算法使用的训练数据较少，数据往往来自少数几个站点，这意味着分类器在应用于其他陌生的扫描器/人时，泛化能力和准确率会下降。为了解决这一问题，中科院心理所行为科学重点实验室闫朝干研究组基于迁移学习框架，利用一个样本量和多样性空前的磁共振脑图像数据集，建立了一个实用的基于磁共振结构图像的AD分类器。近日，相关研究成果在线发表在《大数据杂志》上，题目为《基于85,721个样本构建可实用的阿尔茨海默病脑影像深度学习判别器》。

构建一个广义的深度学习模型需要大量的训练数据。颜干研究组通过申请公开数据集，从超过217个站点/扫描仪收集了50876名参与者的85721份MRI扫描，这是脑成像领域最大的研究之一。研究组利用深度卷积神经网络构建了基于灰质厚度和灰质体积指数图的性别分类器，提出了大脑性别的概念。在跨数据集的交叉验证中，性别分类器的准确率为94.9%，即该模型可以借助灰质体积和灰质密度图，以94.9%的准确率预测来自任何地点的任何扫描仪的任何受试者的性别。

此外，以性别分类器为基准模型，在基于迁移学习的阿尔茨海默病神经影像倡议(ADNI)数据集上构建AD分类器，使其在跨站点验证中达到90.9%的正确率，在三个独立数据集上的正确率分别为94.5%、93.6%和91.1%，表现出很强的实用性。研究表明，当分类器直接用于测试轻度认知障碍(MCI)患者的结构图像样本时，已进展为AD的MCI患者被预测为AD的概率(65.2%)是未进展的MCI患者(20.6%)的3倍以上。此外，AD分类器的预测得分与疾病的严重程度显著相关，具有临床应用的潜力。相关的性别分类器和AD分类器已经部署到在线测试网站(http://brainimagenet.org)，感兴趣的研究人员只需上传原始数据或预处理后的灰质体积和密度图，就可以得到相应的大脑性别或AD判别分。现阶段判别分仅用于科研目的，不用于临床诊断)。研究代码和模型已在https://github.com/Chaogan-Yan/BrainImageNet;开源共享。预处理数据已在http://rfmri.org/BrainImageNetData共享，并将很快上传到心理科学数据库。

未来，闫朝干研究组将继续探索脑性别概念在性别群体和脑疾病群体中的应用，进一步提高AD分类器预测疾病进展的能力。该分类器有望以无创、无辐射的磁共振图像辅助或替代有创正电子发射断层扫描(PET)检查，提高AD的早期诊断效率，创造更大的社会价值。

本研究得到了国家重点研发项目"科技创新2030-脑科学与类脑研究重大项目"的支持。d计划，中国科学院“十三五”信息化项目，中国科学院重点部署项目，北京市科技新星计划，心理所研究基金。

图一。阿尔茨海默分类器迁移学习的流程图和跨站点/数据集交叉验证的示意图。

版权声明

本网站所有标注“来源：100医学网”或“来源：bioon”的文字、图片及音视频资料，版权归100医学网网站所有。未经授权，任何媒体、网站、个人不得转载，否则将追究法律责任。获得书面授权转载时，必须注明“来源：100医学网”。其他来源的文章均为转载文章。本网站所有转载文章都是为了传递更多信息。转载内容不代表本站立场。不想被转载的媒体或个人可以联系我们，我们会立即删除。

87%的用户都在使用100医疗网APP随时阅读、评论、分享、交流。请扫描二维码下载-