基于可信解剖学引导区域感知框架的阿尔茨海默病脑MRI诊断方法

《Scientific Reports》：A trustworthy anatomically-guided region-aware deep learning framework for automated Alzheimer’s disease classification from brain MRI

　　

摘要

阿尔茨海默病（AD）是一种神经退行性疾病，会逐渐削弱认知功能，并伴随脑组织的不可逆退化。基于脑 MRI 的准确 AD 诊断仍然受到脑部小规模解剖结构变化、亚协议变异性、结构复杂性以及疾病各阶段之间特征重叠的困扰。因此，这使得自动化诊断算法在神经退行性生物标志物的判别性识别和可靠分类方面面临困难，且存在泛化能力弱和置信度低的问题。为应对这些问题，本研究提出了一种可信解剖学引导智能区域感知阿尔茨海默病（TAIRA）的新型框架，该框架以端到端的方式基于区域感知特征表示、自适应学习和可解释智能。所提出的注意力引导区域感知残差密集网络（ARA-RDNet）通过利用空间注意力、通道注意力、残差密集连接和上下文特征融合方法，自动关注敏感脑区并提取多尺度判别性神经退行性特征。此外，设计了一种自适应平坦度引导收敛优化器（AFGCO），旨在提高收敛稳定性、最小化过拟合问题并增强泛化能力。为了提高模型的透明度，利用了一种 Grad-CAM++ 可解释性方法，并通过进行扰动稳定性测试、忠实性测试和定位一致性测试进行了验证。在 AA MRI 和 OASIS 数据集上的分类准确率分别报告为 98.52% 和 98.79%。这些结果表明，所提出的方法能够识别与疾病相关的解剖学模式，提供可靠的阿尔茨海默病分类。