Arijit De1, Ananda S. Chowdhury1
（1. 迦达浦大学电子与通信工程系，加尔各答，印度）
根据《2019年世界人口前景》的数据，到2050年，年龄在65岁及以上的老年人数量预计将增加一倍以上，到2100年将增加三倍以上。而阿尔茨海默症是老年人中最常见的疾病。这种致命的疾病是由与记忆有关的大脑区域的神经细胞受损和破坏引起的，其最常见的症状是记忆丧失和认知能力下降。目前，没有治疗方法可以治愈或改变其进展过程。而早期发现和诊断是阿尔茨海默症治疗的主要目标。其中阿尔茨海默症病情的自动分类在痴呆症的诊断中起着关键作用。
本文基于三维的弥散张量成像(Diffusion Tensor Imaging，DTI)数据，首次解决了对阿尔茨海默症(Alzheimer’s disease，AD)、正常对照组(Normal Control, CN)、早期轻度认知障碍(Early Mild Cognitive Impairment, EMCI)和晚期轻度认知障碍(Late Mild Cognitive Impairment, LMCI)的直接四分类问题。以往的阿尔茨海默症分类工作主要集中在二分类研究问题上，即研究算法在任意两个类别之间进行分类，例如AD和CN之间、LMCI和CN之间、EMCI和之间等等。虽然很容易区分两种类型的数据，但确定病情具体分类时仍然费时，因为这种方式必须通过进行多个二分类算法来确定具体的分类。
针对上述问题，本文结合三维DTI影像数据的机器学习和深度学习模型，提出了一种针对阿尔兹海默症直接四分类问题的研究方法。本研究的DTI影像数据在阿尔茨海默症神经成像计划网站（http://adni.loni.usc.edu/）上公开获取。DTI影像数据以各向异性分数（Fractional Anisotropy, FA）、平均弥散率（Mean Diffusivity, MD）和平面回波成像（Echo Planar Imaging, EPI）三种数据参数表示脑部解剖信息。因此在本研究中，我们使用3D-CNN中的VoxCNN模型来训练DTI影像数据的三种脑部解剖数据参数，即DTI影像数据的FA、MD和EPI数据参数。接着，我们使用随机森林分类器对DTI影像数据中平均区域的FA数据参数和DA数据参数进行分类。最后将三个VoxCNN模型和随机森林分类器的输出与调制平均决策相结合。具体来说，该方法为每个网络应用不同的权重，并利用权重调整的概率向量融合技术，根据分类模型的精度进行排序。我们的方法比现有的单一或多个二分类具有更大的挑战性。我们的方法通过在三维DTI影像数据中采用合适的深度学习和机器学习模型来有效地发挥DTI影像数据的全部潜力，以获取其中存在的不同类型的信息。最后，使用调制平均技术在分类层上组合每个学习模型的输出，从而获得92.6%的分类精度。
阿尔兹海默症的病情分类是痴呆症诊断的重要组成部分，尤其对于老年人群。本研究在公开可用的ADNI数据库上进行了全面实验并清晰证明了所提出的解决方案的有效性。未来，我们会将本模型应用到实际的病情诊断中。
资料来源：
根据Arijit De和Ananda S. Chowdhury于2021年发表在Expert Systems With Application期刊题目为《DTI based Alzheimer’s disease classification with rank modulated fusion of CNNs and random forest》的文章缩写整理而成。
