Xuehu Liang1，Zhuowei Wang1，Ziyang Chen1，Xiaoyu Song2
（1. School of Computer Science and Technology，Guangdong University of Technology，Guangzhou，510006 Guangdong，China，
2. Department of Electrical and Computer Engineering，Portland State University， Portland，97207 Oregon，USA）
阿尔茨海默病（Alzheimer’s Disease，AD）是一种神经系统疾病，是工业化国家老年人痴呆的主要原因。目前，随着人口老龄化，AD 已经影响到越来越多的人。因此，实现AD诊断的早期干预，从而实现一级预防非常重要。然而，患者可能在认知和行为层面表现出不同的症状，这一事实使 AD 的诊断变得更加复杂。此外，AD的一些典型病理表现是淀粉样蛋白沉积、神经元减少、轴突和突触异常以及颗粒状空泡变性。图像中的这些细微变化进一步加深了人类诊断的难度。
针对这些问题，传统的方法无法捕获细微特征的语义可变性，导致它们无法提高阿尔茨海默氏症图像分类的准确性。因此，有学者发现深度神经网络可以从适度的病变特征中提取语义信息。具体来说，所有这些方法在医学图像分析和疾病分类、分割和检测问题上都取得了更好的结果。基于CNN（Convolutional Neural Network）的神经网络算法已被证明在学习高级语义特征的能力上表现一致，从而提高了脑部疾病诊断的准确性。然而，由于大脑内部结构复杂，使用现有方法时仍存在以下挑战。首先，现有CNN由于其结构限制而难以提取微妙的上下文信息。具体来说，对于海马体、顶叶和颞叶这些区域的区分特征通常以局部区域萎缩来表示。然而，现有的CNN难以在这些组织之间的这些区域中提取判别特征。其次，现有的损失函数可以在处理类别不平衡方面取得一定的效果，但损失函数受离群值的影响，并为这些离群样本分配更高的权重。具体来说，这些离群样本以老年患者为主，其中一些人由于正常衰老而接受结构性磁共振成像（Structural Magnetic Resonance Imaging，sMRI）。这使得原始样本的辨别力降低，从而产生异常样本，最终降低模型的整体性能。因此，基于深度学习的阿尔茨海默病诊断的关键挑战是：1）提取微妙的上下文信息；2）解决异常样本对类别不平衡处理的影响。这会导致样本异常并最终降低模型的整体性能。因此，基于深度学习的阿尔茨海默病诊断的关键挑战是：1）提取微妙的上下文信息；2）解决异常样本对类别不平衡处理的影响。这会导致异常样本并最终降低模型的整体性能。因此，基于深度学习的阿尔茨海默病诊断的关键挑战是：1）提取微妙的上下文信息；2）解决异常样本对类别不平衡处理的影响。
为了解决这些问题，本文建立了蒸馏多残差网络（Distilled Multi-Residual Network，DMRNet）来确定AD诊断的鉴别性病理区域。具体来说，如图 1所示，DMRNet可以学习大脑中多个局部sMRI的判别性结构特征。然后提出混合均衡采样（Remix Balance Sampler，RBS）使数据类别能够进一步平衡，而不受异常样本的影响。与现有方法不同，我们的主要贡献总结如下：
1. 提出了DMRNet用于提取细粒度的上下文信息。具体来说，该模型首先通过多尺度结构捕获不同尺度的语义信息，其次利用自蒸馏实现跨尺度信息交互，提取多尺度、有判别性的病变特征，最后做出AD相关的分类决策；
2. 为了减少异常值在进行类别不平衡处理时的影响，提出了一种RBS，根据训练的迭代次数同时引入样本平衡策略和类别平衡采样策略，并适当调整两者的权重以获得更好的采样效果。该方法可以使数据类别在不受异常样本影响的情况下达到进一步的平衡；
3. 所提出的技术基于一个主要的公共数据集（Alzheimer’s Disease Neuroimaging Initiative，ADNI）进行了验证，并且在与 AD 相关的分类任务（例如 AD 分类）上的实验结果表明，我们的 DMRNet 在准确性方面优于几种最先进的方法，性能和通用性。其中，DMRNet 达到了0.893的精度和0.892的G均值。这也为医学诊断和AD预防提供了一种新方法。
资料来源：
根据Xuehu Liang等于2023年发表在Applied Intelligence刊题目为《Alzheimer's disease classification using distilled multi-residual network》的文章缩写整理而成。
（本文责任编辑：陈劭）
