基于3D残差网络的阿尔茨海默病辅助诊断模型研究

摘要

目的 针对阿尔兹海默病(AD)、轻微认知障碍(MCI)、正常人(CN)的多分类问题，融合MRI和PET图像特征，探究出一种用于AD早期辅助诊断的多分类深度学习模型。方法 利用两个独立的3D-ResNeXt网络模型对多模态医学图像进行训练。然后通过相关性分析来判断两个网络输出结果的一致性。最后通过计算PET与MRI图像的诊断结果之间的皮尔逊系数得到多模态神经影像辅助诊断结果。结果 模型准确率、模型Weighted-Precision、模型Weighted-Recall、皮尔逊系数在融合所有策略3D-ResNeXt网络模型的结果为87.78%、88.32%、87.87%、86.40%;对于图像切片数为80的结果为88.21%、84.7%、88.23%、85.7%、86.40%;融合多模态MRI和PET图像的结果为87.78%、88.32%、87.87%、86.40%。结论 基于3D-ResNeXt网络模型的诊断效果在许多指标上都优于其他辅助诊断模型。结果表明，所提出的多模态辅助诊断模型能够达到良好的诊断率。本研究为AD早期辅助诊断模型的选择提供了一定的方法学参考。

关键词

阿尔兹海默病 / 磁共振影像 / 正电子发射断层影像 / 残差网络 / 多模态

基金资助

国家自然科学基金(82273742); 山西省基础研究计划(202203021222261)