基于特征增强金字塔网络的阿尔茨海默症早期诊断研究

阿尔茨海默症（Alzheimer’s disease， AD）作为一种不可逆转的神经退行性疾病，能在其发病初期进行干预治疗对病情的控制和改善具有重要意义。近年来，研究者广泛地使用深度学习方法对AD的核磁共振成像（Magnetic resonance imaging， MRI） 进行分析并做出早期诊断。但AD早期的脑部结构变化与正常人差别较小，目前单一尺度的分析方法难以有效捕捉到这些细小差别的特征。针对以上问题，本文提出特征增强金字塔网络（Feature enhanced pyramid network， FEPN）进行AD的MRI早期诊断，通过设计的浅层特征重提取模型利用上下文信息补充高层特征，并计算融合权重指导高低层特征图的融合，增强了上下文信息交互和多尺度特征融合的匹配度。对比实验采用Kaggle公开的Alzheimer数据集对该方法进行验证，实验结果表明，相比于其他同类方法，FEPN有效提升了4种AD脑状态（非痴呆、非常轻度痴呆、轻度痴呆、中度痴呆）MRI的分类精度。