阿尔茨海默症诊断与病理区域检测的反事实推理模型

作     者：葛威 刘汝璇 郑菲 刘海华 唐奇伶 Ge Wei;Liu Ruxuan;Zheng Fei;Liu Haihua;Tang Qiling

作者机构：中南民族大学生物医学工程学院武汉430074 医学信息分析及肿瘤诊疗重点实验室武汉430074 

基　　金：湖北省自然科学基金项目(2019CFB629) 中南民族大学中央高校专项资金项目(CZY22014) 

出 版 物：《中国图象图形学报》 (Journal of Image and Graphics)

年 卷 期：2024年第29卷第4期

页      码：1100-1116页

摘      要：目的随着全球人口老年化趋势日益加剧,阿尔茨海默症(Alzheimer’s disease,AD)的及时诊断与病理区域的可视化及其准确定位具有重要的临床意义。目前的研究中,基于块级和区域级的检测,由于采用非线性交互很难解释影响模型决策的病理区域。针对此问题,提出了一种AD病理区域定位及诊断的联合学习框架。方法利用反事实推理的思想,基于前景背景注意力掩码构建注意力引导的循环生成对抗网络(attention-guided cycle generative adversarial network,ACGAN)可视化AD患者的病理区域,并使用生成的病理区域知识指导增强诊断模型。具体来说,通过在ACGAN模型的生成器中设计注意力掩码来引导生成方案,使模型更好地聚焦于疾病的病理区域,有效地捕捉突出的全局特征。并通过ACGAN模型中病理区域生成器实现结构磁共振图像(structural magnetic resonance imaging,sMRI)在源域和目标域之间的转换清晰地划分出细微的病理区域。利用生成的病理区域知识作为指导,并结合三维坐标注意力与全局局部注意力,获取三维图像之间的依赖关系及三维空间的位置信息,优化诊断模型。结果为了验证方法的有效性,在公开的ADNI(Alzheimer’s disease neuroimaging initiative)数据集上对模型进行评估,与传统的卷积神经网络(convolutional neural network,CNN)模型及几种较为先进的AD分类诊断模型相比,本文使用病理区域知识指导增强诊断模型显示出优越的诊断性能,相比于性能较好的方法,ACC(accuracy)、F1-score、AUC(area under curve)分别提高了3.60%、5.02%、1.94%。并对生成的病理区域图像进行定性及定量评估,本文方法得到的病理区域图像归一化互相关分数和峰值信噪比均优于对比方法。结论与现有方法相比,本文模型可以学习sMRI图像在源域和目标域之间的转换,能够准确地捕获全局特征及病理区域。并将学习到的病理区域知识用于AD诊断模型的改进,使分类诊断模型取得了卓越性能。

主 题 词：阿尔茨海默症(AD) 病理区域 生成对抗网络(GAN) 注意力机制 可视化 

学科分类：08[工学] 080203[080203] 0802[工学-机械学] 

核心收录：

D　O　I：10.11834/jig.230217

馆 藏 号：203127392...