基于迁移学习与特征选择优化的阿尔茨海默病 MRI 影像三分类框架

《Scientific Reports》：Multi-class Alzheimer’s disease classification using VGG19 transfer learning with hybrid Harris Hawks Optimization and random forest

　　

摘要

准确区分阿尔茨海默病（AD）、轻度认知障碍（MCI）和认知正常（CN）的状态对于疾病的早期评估至关重要。现有的深度学习方法通常会保留冗余特征，依赖于特定数据集的配置，并且在方法优化方面存在局限。本研究提出了一种基于迁移学习的MRI分类框架，该框架结合了空间和强度归一化、直方图均衡化、双双边滤波、基于VGG19的深度特征提取、结合模拟退火算法的Harris Hawks优化（HHO-SA）进行特征选择，以及随机森林（RF）分类。该框架使用Python和PyTorch实现，并在ADNI1 Complete 1Yr 1.5T数据集上进行了评估，该数据集包含了639名受试者的2,294份MRI影像。采用受试者在数据集中的分组方式来最小化数据泄露问题。所提出的框架取得了98.70%的准确率、98.55%的宏观精确度、98.93%的宏观召回率、99.28%的宏观特异性、98.73%的宏观F1值以及99.40%的宏观ROC-AUC值。与报道中的最高基准准确率98.20%相比，本研究提高了0.50%。这些结果证明了该框架在回顾性三类MRI分类方面的有效性，并为阿尔茨海默病研究提供了一个可复制的计算框架。