迁移学习特征提取的rs-fMRI早期轻度认知障碍分类

• 作者: 孔伶旭 吴海锋 曾玉 陆小玲 罗金玲
• 来源期刊: 智能系统学报
• 关键词: 轻度认知障碍 rs-fMRI 迁移学习 阿尔茨海默症 MobileNet 深度学习 机器学习 兴趣区
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 机器感知与模式识别|Machine Perception and Pattern Recognition
• 页码范围: 662-672
• 页数: 11页
• 分类号: TP391.41
• 语种: 中文
• DOI: 10.11992/tis.202007041

摘要

早期轻度认知障碍(early mild cognitive impairment,EMCI)是阿尔兹海默症(Alzheimer's disease,AD)发生前的必经阶段,EMCI的准确诊断对AD早期预防和治疗都具有积极作用.通过静息态功能性磁共振成像(rest-state functional magnetic resonance imaging,rs-fMRI)来诊断EMCI的深度学习方法性能主要依赖如何提取特征值,而传统提取方法存在特征信息易损失和训练网络时间过长等问题.针对该问题,本文采用迁移学习的特征提取方法来对EMCI分类,首先从rs-fMRI中提取兴趣区(region of interest,ROI)时间序列,以此完成源数据的降维,然后利用MobileNet迁移网络从ROI中提取瓶颈特征,最后将该特征输入到设计的分类顶层网络以得到最后分类结果.在实验中,采用阿尔茨海默病神经影像学数据库(Alzheimer's disease neuroimaging initi-ative,ADNI)的数据进行测试,实验结果表明,本文的方法比传统方法的分类精度提高了约10％,而分类时间大约只有传统方法的25％.