融合位置编码的阿尔茨海默症诊断与病理区域可视化

摘要

阿尔茨海默症（AD）的早期诊断对于及时治疗以减缓进一步恶化至关重要.AD病理特征的可视化对于临床应用具有重要价值.研究设计了一种基于位置编码的全卷积网络（P-FCN）模型，该网络构建了大脑局部结构学习策略，并迁移到整体sMRI影像模型中，以生成高分辨率的病理概率图.其中，位置编码将所有影像模板对齐到标准空间，利用统一的笛卡尔空间表示脑图像的位置，并结合冠状面、矢状面和轴位面的位置信息生成三维位置编码.PFCN模型融合位置响应与病理特征，将学习到的病理概率图应用于分类模型中.分类模型使用基于注意力机制的CNN-BiLSTM网络，以学习不同区域影像数据之间、多模态数据之间的关联信息，并提高模型对重要参数的敏感性.该模型使用ADNI数据集进行训练与测试，并使用独立的数据集（AIBL、NACC）对模型泛化能力进行验证.在不同数据集之间都能捕捉到相应的病理区域并表现出良好的诊断性能，验证了该方法在可视化病理区域及疾病诊断方面的有效性及良好的泛化能力.

关键词

阿尔茨海默症 / 位置编码 / 全卷积网络 / 可视化 / 磁共振成像