基于结构MRI的阿尔茨海默病诊断的多模板元信息正则化网络
阿尔茨海默症诊断的多模板元信息正则化网络：基于结构磁共振成像的研究
研究背景
阿尔茨海默症（Alzheimer’s Disease, AD）是一种渐进性神经退行性疾病，其诊断和早期检测是医疗领域的重要挑战。结构磁共振成像（Structural MRI, sMRI）因其能够提供详细的大脑形态学模式和解剖特征，已广泛应用于计算机辅助的阿尔茨海默症诊断。尽管之前的研究验证了结合元数据（如年龄、性别和教育年限）对sMRI进行AD诊断的有效性，但现有方法主要关注于元数据与AD的相关性或混杂效应，如性别偏差和正常老化问题，难以充分挖掘元数据对AD诊断的影响。为了解决这些问题，该研究构建了一种新颖的多模板元信息正则化网络（Multi-template Meta-information Regularized Network, MMRN），用于通过sMRI进行AD诊断。
研究来源
本文由康夫 韩, 刚 李, Zhiwen Fang和冯 杨撰写，来自南方医科大学生物医学工程学院、广东省医学图像处理重点实验室和广东省医学影像与诊断技术工程实验室，以及北卡罗来纳大学教堂山分校。该研究于2023年12月18日发表于IEEE Transactions on Medical Imaging。
研究流程
a) 研究步骤
步骤一：多模板选择与图像预处理
为消除不同空间变换导致的诊断变异，我们首先选取了多个大脑模板进行数据增强。具体方法是将每个sMRI图像通过样条插值变换到不同的模板空间，并采用基于Affinity Propagation Clustering算法选择出11个模板，包括Colin27模板和10个基于ADNI和NACC数据集选出的模板。
步骤二：多模板自监督学习
通过构建一个简单的Siamese网络，将sMRI图像随机变换到两个模板空间（θi 和 θj），并利用8层卷积网络提取高层特征嵌入。之后通过自监督学习和类别监督学习对这些特征进行解耦。
步骤三：弱监督元信息学习
为了从特征中提取元信息而不影响编码器的判别能力，设计了一个由InfoGAN和解耦器组成的模块。InfoGAN采用生成对抗训练来学习元信息。
步骤四：互信息最小化
为增强类相关特征与解耦元信息之间的解耦性，采用了互信息的上界估计方法（Contrastive Log-Ratio Upper Bound, CLUB）来最小化类相关特征与元信息之间的互信息。
步骤五：模型训练
该模型在ADNI和NACC数据集上进行训练与验证，采用Adam优化器以0.0001的学习率及批量大小为6的设置进行迭代优化100次。
研究结果
b) 研究主要结果
步骤一：多模板自监督学习的结果
- 多模板选择过程显示选取出的模板能够有效缓解因不同空间变换带来的诊断变异性。
- 采用Siamese网络进行自监督学习，有效提升特征提取的判别性，平均准确率提高了大约5%。
步骤二：元信息学习与互信息最小化结果
- 利用InfoGAN进行弱监督元信息学习，并对特征进行重构以保持一致性。
- 在互信息最小化之后，模型在AD诊断和MCI转化预测中的准确率分别提高了约3%和1%。
跨数据集验证
模型在两个多中心数据集（即ADNI和NACC）上的实验结果显示，MMRN在AD诊断、轻度认知障碍（MCI）转化预测和正常控制（NC）与MCI与AD分类任务上均优于目前最先进的方法。
研究结论与价值
c) 研究结论
本研究提出了一种通过结构磁共振成像进行阿尔茨海默症诊断的新型网络模型，结合多模板学习和元信息正则化。实验结果表明该方法在多个任务上的诊断性能显著优于当前的先进方法。
d) 研究亮点
- 多模板选择显著减小了不同空间变换带来的诊断变异，提高了特征提取的可靠性。
- 弱监督元信息学习和互信息最小化相结合，增强了类相关特征的判别能力，同时避免了元数据带来的混杂效应。
其他有价值的信息
这个研究展示了元数据在神经影像分析中的重要性，以及通过弱监督和正则化技术可以显著提升诊断模型的性能。未来的研究可以在现有方法的基础上进一步优化，例如采用更多的数据增强方法，引入更复杂的神经网络架构，或者应用于其他类型的神经疾病诊断中，以进一步验证和扩展本文提出的方法。
通过此次研究，作者们展示了跨领域知识和创新性算法如何协同作用推进现代医疗技术的发展，特别是在复杂脑疾病的早期检测和诊断方面取得了显著进展。这不仅有助于提高诊断精准度，还为相关疾病的早期干预和治疗提供了重要数据支持。