一种基于通道残差注意力的阿尔兹海默症分类方法

本发明设计了一种基于通道残差注意力的阿尔兹海默症的分类方法，涉及计算机视觉图像分类。

背景技术：

1、阿尔兹海默症(alzheimer disease,ad)是一种常见的中枢神经系统退行性疾病，是导致痴呆症的最常见原因，特点是认知和记忆能力呈进行性恶化，严重影响患者的日常生活。根据相关研究，到2050年，大约6.4亿人将患上阿尔兹海默症。随着全球老龄化的日益严重，具有长期病程的阿尔兹海默症会逐渐成为健康领域的一个紧迫问题。磁共振成像(mri)因能精确直观地显示脑部子结构、萎缩程度以及异常病变，图像分辨率高，成本较低而对阿尔兹海默症早期诊断、鉴别诊断和评估疾病进展至关重要。近年来，卷积神经网络(convolutional neural network，cnn)因其有很强的自动特征提取能力，可以从复杂数据中挖掘出跟疾病相关的大量细节特征和病变位置，在计算机辅助认知疾病诊断方面显示出巨大的潜力。

2、在深度学习时代，数据跟算法同样重要，深度学习模型需要大量的数据进行训练。目前多数研究都是从阿尔兹海默症公开数据库中直接提取一部分数据进行研究，然而数据的采集标准与划分标准不统一以及预处理方式的不同等情况导致了不同算法之间对比缺乏可信度。通过随机打乱样本后划分训练集和测试集，导致同一个人不同时期的脑部影像数据同时出现在训练集和测试集中，从而导致实验中分类准确率虚高，实践中准确率骤降的数据泄露情况。另外，目前大多数基于mri影像研究在进行数据划分时，只简单通过mri影像结果来划分数据集，并没有考虑量表，年龄，性别等其他参数，数据集中可能存在极端个例或者训练集与测试集数据分布相差太大，致使数据集不能展现出阿尔兹海默症普遍的患病过程与特点，最终影响分类结果和模型的泛化性。因此，在向cnn模型输入数据之前需要先建立数据均衡，无数据泄露的标准分类数据集。

技术实现思路

1、本发明首先针对目前研究中出现的数据集构建出现的问题，在临床医生的指导下制定了数据集的科学划分策略；然后针对ad的脑部mri的特点，以3d-resnet为基础网络，结合通道注意力机制和残差模块的特点，搭建了基于通道残差注意力的阿尔兹海默症分类网络，该网络主要由输入层，特征提取模块，通道注意力模块和输出模块构成。输入模块根据mri医学影像分辨率不高，需关注得细节特征更多的特点，采用3×3×3卷积来提取浅层特征，避免丢失有效的信息；特征提取模块由连续四层的通道分离残差子模块组成，通道分离残差模块主要是进行特征提取，充分组合低维和高维特征并减少重复的梯度信息，通道注意力模块主要是通过分配通道之间的权重，调整通道之间的依赖程度，从而让模型关注到信息量最大的通道特征，同时抑制一些不重要的特征，从而帮助网络提取到更加精确的特征。输出模块先采用全连接层进行特征降维，再利用softmax得到预测分类的概率，选取最大的概率作为结果输出。

2、本发明通过以下技术方案来实现上述目的：

3、步骤一：基于公开的adni数据集，选择同时具有mri图像、年龄、性别和认知测试量表数据的受试者构建数据集，并对数据集进行科学均衡划分；

4、步骤二：对步骤一构建的mri图像数据集进行预处理，得到经过配准，采样和归一化后的mri图像；

5、步骤三：将经预处理后mri图像送入3×3×3卷积层提取浅层特征，后送入连续堆叠四层通道分离残差模块来提取并组合浅层和深层特征；

6、步骤四：将提取的特征送入通道注意力模块，调整通道之间的权重，得到更加精确的分类特征；

7、步骤五：将降维后的特征矩阵，作为整个网络线性分类层的输入信息。

8、作为步骤一中所述的科学均衡划分数据集，其说明如下：

9、本发明的实验数据选取自adni 1、adni 2和adnigo计划的场强为1.5t，t1加权的mri影像，总体数量为8600张。按照阿尔兹海默症的患病过程分为三类：认知未受损(control normal,cn)、轻度认知障碍(mild cognitive impairment,mci)和(alzheimer’sdisease,ad)。划分策略主要按照个体id进行划分，避免同一个人不同时期的数据同时出现在训练集和测试集中，并分别划分为ad，mci和cn三类，每一类包含均衡的训练集和测试集。

10、adni数据集中对每个病人的各项测试指标进行了收集，测试指标高达100多项，包括年龄、病症、检测日期、量表得分等相关数据，而痴呆也分为老年痴呆、血管性痴呆、额颞叶痴呆、路易体痴呆以及帕金森痴呆等五种，本发明主要研究阿尔兹海默症即老年痴呆，因此在划分数据集时需引入其他参数来尽可能排除掉其他类型的痴呆以及确保数据集能展示出ad普遍的患病过程与特点。在临床医生的指导下，选取样本的以下三种统计参数来做均衡处理：

11、1)性别：在ad患者中，相比于男性患者，女性患者平均寿命更长，患病率更低，并且mci向ad的过渡期更长，变化过程更缓慢。研究表明这是因为性染色体在调节阿尔兹海默症相关方面由一定作用。因此在划分数据时，男女比例应该趋近于1：1。

12、2)年龄：年龄是阿尔兹海默症最大风险因素之一。《world alzheimer report2021journey through the diagnosis of dementia》指出，超过80％的阿尔兹海默症患者都在65岁及以上。随着年龄的而增长，患阿尔兹海默症的风险急剧增加。而影像学中的脑部结构会随着年龄的增长而不断变化，出现脑部萎缩现象不一定就能证明患有阿尔兹海默症。因此不能仅以脑萎缩程度来划分数据集，年龄分布也应是数据集划分的重要依据。

13、3)认知测试量表：认知测试量表是由临床神经科医生用来评估患者一般认知、记忆、语言表达、逻辑判断、视觉等能力的神经心理学测试。通过询问知情者和患者本人，对每个项目进行评分，可以准确地检查出被试者的整体认知能力，是诊断ad的一个强有力的指标。影像学是能够从脑部结构性和功能性变化打的角度对脑部进行评估，并未能从患者认知角度评估。因此划分数据集是不能片面的只以影像学角度的划分，也应考虑到认知测试量表结果进行划分。本文参考的量表为临床痴呆分级量表(clinical dementia rating，cdr)、临床痴呆评分总和(clinical dementia rating scale-sum of boxes，cdr-sob)和简易精神状态评价量表(mini-mental state examination，mmse)。

14、作为步骤三中所述的通道分离残差模块，其说明如下：

15、该模块的设计是基于mri的阿尔兹海默症的研究中，具有既要关注非线性的高维特征，也需要得到如海马体大小，灰质白质分布的低维特征的特点。模块包含分离层，卷积层，归一化层，激活函数层和特征融合层。该模块继承了残差模块能够在网络加深的过程中避免梯度爆炸与梯度消失的优点通过分离通道，使梯度流在不同网络路径传播，有效防止过多的重复梯度信息，后将两部分所提取的特征融合，充分组合低维和高维特征，从而大大提升了网络的学习能力，保持网络的稳定性，并明显减少了计算成本。

16、通道分离残差模块主要是进行特征提取，充分组合低维和高维特征并减少重复的梯度信息，连续四层的通道分离残差模块(r1、r2、r3、r4)区别在于通道数是依次减半的，采用此结构的原因有两点：首先，mri影像中浅层特征在阿尔兹海默症的临床研究中有着重要意义，而为了提取充分的浅层特征，就需要在特征提取初期多设置卷积核来提取。其次，高维特征在提取过程中，设置较小的通道数可以达到降维和正则化的作用，从而避免出现过拟合现象。