基于迁移学习与多模型特征融合的阿尔茨海默病MRI分类研究

《Scientific Reports》：Deep learning feature fusion with transfer learning for Alzheimer’s disease classification

　　

摘要

阿尔茨海默病（AD）是一种进行性神经退行性疾病，其特征是不可逆的认知衰退和记忆力障碍，早期准确的诊断对于及时临床干预和疾病管理至关重要。基于深度学习的结构性磁共振成像（MRI）分析已成为自动化痴呆分期的一个有前景的方法，它能够检测与疾病进展相关的细微神经解剖学变化，而这些变化可能难以通过传统临床评估轻易识别。本研究利用来自公开 Kaggle 数据集的 6,400 张 T1 加权 MRI 图像，探讨了迁移学习和多模型特征融合在四分类阿尔茨海默病严重程度分类中的应用。该数据集包含四个类别：非痴呆、极轻度痴呆、轻度痴呆和中度痴呆。三种预训练的卷积神经网络架构 VGG16、ResNet50 和 MobileNetV3 使用 ImageNet 初始化权重进行了独立的微调。为了评估特征级融合的有效性，在三种主干网络配对（VGG16-ResNet50、ResNet50-MobileNetV3 和 VGG16-MobileNetV3）中实现了四种融合策略：特征拼接、逐元素相加、逐元素相乘和基于注意力的融合。所有模型均使用 Adam 优化器训练了 60 轮，并使用准确率、精确率、召回率和 F1 分数进行评估。在独立模型中，VGG16 取得了最高性能，测试准确率为 99.48%，精确率为 0.9929，召回率为 0.9927，F1 分数为 0.9927。在融合配置中，VGG16-ResNet50 拼接取得了最佳结果，准确率为 96.25%。基于注意力的融合在不同主干网络配对中表现出混合性能。虽然 ResNet50 和 MobileNetV3 注意力模型产生了最低的准确率 82.08%，但 VGG16 和 MobileNetV3 注意力模型取得了 97.40% 的高准确率，代表了本研究评估中表现最佳的注意力配置。为了进一步评估泛化能力并解决原始数据集中图像级划分的局限性，三种表现最佳的配置还使用按患者划分的方式在独立的 OASIS 衍生 MRI 数据集上进行了评估。由于中度痴呆类别仅包含两名独立受试者，外部验证作为三分类任务进行，包括非痴呆、极轻度痴呆和轻度痴呆，训练、验证和测试子集之间没有患者重叠。值得注意的是，虽然没有任何融合策略超过独立 VGG16，但 VGG16 和 MobileNetV3 注意力模型取得了 97.40% 准确率的可比性能，表明在某些数据集条件下，优化良好的单一主干网络可以超过多模型特征融合。这些发现证明了迁移学习在基于 MRI 的阿尔茨海默病分类中的有效性，并强调了在应用特征级融合策略时进行仔细设计和保证足够数据的必要性。