利用3D-RepVGG进行阿尔兹海默症诊断

doi:10.11772/j.issn.1001-9081.2022081240

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (S1): 26-32.DOI: 10.11772/j.issn.1001-9081.2022081240

利用3D-RepVGG进行阿尔兹海默症诊断

胡众义¹^,²(), 张夏彬¹^,²

^1.温州大学计算机与人工智能学院，浙江温州 325035
^2.温州市智能影像处理与分析重点实验室（温州大学），浙江温州 325035

收稿日期:2022-08-22 修回日期:2022-10-22 接受日期:2022-11-03 发布日期:2023-07-04 出版日期:2023-06-30
通讯作者: 胡众义
作者简介:胡众义（1977—），男，浙江温州人，教授，博士，CCF高级会员，主要研究方向：机器视觉、机器学习、智能信息处理 hujunyi@163.com
张夏彬（1998—），男，浙江绍兴人，硕士研究生，主要研究方向：机器学习、计算机辅助诊断。
基金资助:
浙江省自然科学基金资助项目(LD21F020001);国家自然科学基金重点支持项目(U1809209);温州市科技计划重大科技创新攻关项目(ZY2019020)

Alzheimer disease diagnosis by three-dimension re-parameterization visual geometry group

Zhongyi HU¹^,²(), Xiabin ZHANG¹^,²

^1.College of Computer Science and Artificial Intelligence，Wenzhou University，Wenzhou Zhejiang 325035，China
^2.Key Laboratory of Intelligence Image Processing and Analysis （Wenzhou University），Wenzhou Zhejiang 325035，China

Received:2022-08-22 Revised:2022-10-22 Accepted:2022-11-03 Online:2023-07-04 Published:2023-06-30
Contact: Zhongyi HU

摘要/Abstract

摘要：

阿尔兹海默症（AD）临床症状为失忆、失语与丧失行动能力等。AD暂无有效治疗方法，但早期干预已证明有效，因此，AD早期诊断至关重要。针对该问题，基于RepVGG网络架构中的结构重参数化技术，将训练阶段的多分支卷积网络等效转换为预测阶段的单分支卷积网络，获得多分支卷积网络性能高与单分支卷积网络速度快等优点；同时，利用3D卷积引入空间连续信息；最终，成功地将RepVGG网络架构与3D卷积融合，提出3D-RepVGG网络，以实现对AD、轻度认知障碍（MCI）和正常对照组（NC）的诊断。实验数据来自于公开数据库ADNI，原始的磁共振图像（MRI）使用SPM12进行预处理。预处理后数据输入3D-RepVGG进行AD/NC、MCI/NC、AD/MCI、AD/MCI/NC四种分类任务，分别获得了90.38%、85.90%、70.51%、62.50%的准确率。实验结果表明，3D-RepVGG在AD早期诊断任务上能获得较好的诊断结果。

关键词: 阿尔兹海默症, 计算机辅助诊断, 三维卷积神经网络, 多分支卷积神经网络, 图像分类

Abstract:

Alzheimer Disease （AD） is characterized by memory loss， aphasia and loss of mobility. There is no effective treatment for AD， but early intervention has proven to be effective. Therefore， early diagnosis of AD is crucial. To address this problem， based on the structural reparameterization technique in the RepVGG （Re-parameterization Visual Geometry Group） network architecture， the multi-branch convolutional network in the training phase was equivalently converted into a single-branch convolutional network in the prediction phase， and the advantages of high performance of multi-branch convolutional network and fast speed of single-branch convolutional network were obtained. Meanwhile， 3D convolution was used to introduce spatial continuous information. Finally， the RepVGG network architecture was successfully fused with 3D convolution to propose 3D-RepVGG network for the diagnosis of Alzheimer， Mild Cognitive Impairment （MCI） and Normal Control （NC）. The experimental data were obtained from the publicly available database ADNI. Raw Magnetic Resonance Imaging （MRI） images were preprocessed using SPM12. The preprocessed data were put into the 3D-RepVGG network for four classification tasks， AD/NC， MCI/NC， AD/MCI and AD/MCI/NC. Finally， 3D-RepVGG obtained 90.38%， 85.90%， 70.51%， and 62.50% accuracy on the four classification tasks， respectively. The experimental results show that 3D-RepVGG obtains great diagnostic results on the AD early diagnosis task.

Key words: Alzheimer Disease (AD), computer aided diagnosis, 3D Convolution Neural Network (CNN), multi-branch CNN, image classification

中图分类号:

TP311.1

胡众义, 张夏彬. 利用3D-RepVGG进行阿尔兹海默症诊断[J]. 计算机应用, 2023, 43(S1): 26-32.

Zhongyi HU, Xiabin ZHANG. Alzheimer disease diagnosis by three-dimension re-parameterization visual geometry group[J]. Journal of Computer Applications, 2023, 43(S1): 26-32.

图/表 7

参考文献 34

1	McKHANN G， DRACHMAN D， FOLSTEIN M， et al. Clinical diagnosis of Alzheimer’s disease： report of the NINCDS-ADRDA work group under the auspices of department of health and human services task force on Alzheimer’s disease［J］. Neurology， 1984， 34（7）： 939-944. 10.1212/wnl.34.7.939
2	BROOKMEYER R， JOHNSON E， ZIEGLER-GRAHAM K， et al. Forecasting the global burden of Alzheimer’s disease［J］. Alzheimer’s & Dementia， 2007， 3（3）： 186-191. 10.1016/j.jalz.2007.04.381
3	EWERS M， SPERLING R A， KLUNK W E， et al. Neuroimaging markers for the prediction and early diagnosis of Alzheimer’s disease dementia［J］. Trends in Neurosciences， 2011， 34（8）： 430-442. 10.1016/j.tins.2011.05.005
4	PAL M. Random forest classifier for remote sensing classification［J］. International Journal of Remote Sensing， 2005， 26（1）： 217-222. 10.1080/01431160412331269698
5	WIDODO A， YANG B-S. Support vector machine in machine condition monitoring and fault diagnosis［J］. Mechanical Systems and Signal Processing， 2007， 21（6）： 2560-2574. 10.1016/j.ymssp.2006.12.007
6	CHEN T， GUESTRIN C. XGboost： A scalable tree boosting system［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 785-794. 10.1145/2939672.2939785
7	VAITHINATHAN K， PARTHIBAN L， A novel texture extraction technique with T 1 weighted MRI for the classification of Alzheimer’s disease［J］. Journal of Neuroscience Methods， 2019， 318： 84-99. 10.1016/j.jneumeth.2019.01.011
8	JIE B， LIU M， ZHANG D， et al. Sub-network kernels for measuring similarity of brain connectivity networks in disease diagnosis［J］. IEEE Transactions on Image Processing， 2018， 27（5）： 2340-2353. 10.1109/tip.2018.2799706
9	LeCUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015， 521（7553）： 436-444. 10.1038/nature14539
10	吕鸿蒙，赵地，迟学斌. 基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断［J］. 计算机科学， 2017， 44（Z6）： 50-60. 10.11896/j.issn.1002-137X.2017.6A.011
11	MENDOZA-LÉON R， PUENTES J， URIZA L F， et al. Single-slice Alzheimer’s disease classification and disease regional analysis with supervised switching autoencoders［J］. Computers in Biology and Medicine， 2020， 116： 103527. 10.1016/j.compbiomed.2019.103527
12	IOFFE S， SZEGEDY C. Batch normalization： Accelerating deep network training by reducing internal covariate shift［C］// Proceedings of the 32nd International Conference on Machine Learning. New York： JMLR.org， 2015： 448-456.
13	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
14	XIE S， GIRSHICK R， DOLLÁR P， et al. Aggregated residual transformations for deep neural networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 1492-1500. 10.1109/cvpr.2017.634
15	DING X， ZHANG X， MA N， et al. RepVGG： Making VGG-style ConvNets great again［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 13733-13742. 10.1109/cvpr46437.2021.01352
16	XU L， LIANG G， LIAO C， et al. An efficient classifier for Alzheimer’s disease genes identification［J］. Molecules， 2018， 23（12）： 3140. 10.3390/molecules23123140
17	ZHANG Y-T， LIU S-Q. Individual identification using multi-metric of DTI in Alzheimer’s disease and mild cognitive impairment［J］. Chinese Physics B， 2018， 27（8）： 088702. 10.1088/1674-1056/27/8/088702
18	RUIZ-GÓMEZ S J， GÓMEZ C， POZA J， et al. Automated multiclass classification of spontaneous EEG activity in Alzheimer’s disease and mild cognitive impairment［J］. Entropy， 2018， 20（1）： 35. 10.3390/e20010035
19	VALDES‐SOSA P A， SANCHEZ‐BORNOT J M， SOTERO R C， et al. Model driven EEG/fMRI fusion of brain oscillations［J］. Human Brain Mapping， 2009， 30（9）： 2701-2721. 10.1002/hbm.20704
20	ZHANG D， WANG Y， ZHOU L， et al. Multimodal classification of Alzheimer’s disease and mild cognitive impairment［J］. NeuroImage， 2011， 55（3）： 856-867. 10.1016/j.neuroimage.2011.01.008
21	VALLIANI A， SONI A. Deep residual nets for improved Alzheimer’s diagnosis［C］// Proceedings of the 8th ACM International Conference on Bioinformatics， Computational Biology， and Health Informatics. New York： ACM， 2017： 615-615. 10.1145/3107411.3108224
22	CHENG D， LIU M， FU J， et al. Classification of MR brain images by combination of multi-CNNs for AD diagnosis［C］// Proceedings of the 2017 9th International Conference on Digital Image Processing. Hong Kong： ICDIP， 2017： 875-879. 10.1117/12.2281808
23	DICKERSON B C， GONCHAROVA I， SULLIVAN M， et al. MRI-derived entorhinal and hippocampal atrophy in incipient and very mild Alzheimer’s disease［J］. Neurobiology of Aging， 2001， 22（5）： 747-754. 10.1016/s0197-4580(01)00271-8
24	ADERGHAL K， BENOIS-PINEAU J， AFDEL K， et al. FuseMe： classification of sMRI images by fusion of Deep CNNs in 2D+ε projections［C］// Proceedings of the 15th International Workshop on Content-based Multimedia Indexing. New York： ACM， 2017： 1-7. 10.1145/3095713.3095749
25	KOROLEV S， SAFIULLIN A， BELYAEV M， et al. Residual and plain convolutional neural networks for 3D brain MRI classification［C］// Proceedings of the 2017 IEEE international symposium on biomedical imaging. Piscataway： IEEE， 2017： 835-838. 10.1109/isbi.2017.7950647
26	WEN J H， THIBEAU-SUTRE E， DIAZ-MELO M， et al. Convolutional neural networks for classification of Alzheimer’s disease： overview and reproducible evaluation［J］. Medical Image Analysis， 2020， 63： 101694. 10.1016/j.media.2020.101694
27	VEIT A， WILBER M J， BELONGIE S. Residual networks behave like ensembles of relatively shallow networks［C］// Proceedings of the 30th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2016： 550-558. 10.48550/arXiv.1605.06431
28	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141. 10.1109/cvpr.2018.00745
29	YU G， LIU Y F， SHEN D G. Graph-guided joint prediction of class label and clinical scores for the Alzheimer’s disease［J］. Brain Structure & Function， 2016， 221（7）： 3787-3801. 10.1007/s00429-015-1132-6
30	吴奇. 卷积神经网络辅助诊断阿尔兹海默症的方法［D］. 温州：温州大学， 2021： 33-53.
31	ADERGHAL K， BOISSENIN M， BENOIS-PINEAU J， et al. Classification of sMRI for AD diagnosis with convolutional neuronal networks： a pilot 2-D epsilon study on ADNI［C］// Proceedings of the 2017 International Conference on Multimedia Modeling. Cham： Springer， 2017： 690-701. 10.1007/978-3-319-51811-4_56
32	SHAO W， PENG Y， ZU C， et al. Hypergraph based multi-task feature selection for multimodal classification of Alzheimer’s disease［J］. Computerized Medical Imaging and Graphics， 2020， 80： 101663. 10.1016/j.compmedimag.2019.101663
33	KHAN A， ZUBAIR S. An improved multi-modal based machine learning approach for the prognosis of Alzheimer’s disease［J］. Journal of King Saud University-Computer and Information Sciences， 2020， 34（6）： 2688-2706.
34	DAI Y， BAI W H， TANG Z， et al. Computer-aided diagnosis of Alzheimer’s disease via deep learning models and radiomics method［J］. Applied Sciences， 2021， 11（17）： 8104. 10.3390/app11178104

模块	层数	输出通道数	模块	层数	输出通道数
stage0	1	64	stage3	16	256
stage1	4	64	stage4	1	1 280
stage2	6	128

模块	层数	输出通道数	模块	层数	输出通道数
stage0	1	64	stage3	16	256
stage1	4	64	stage4	1	1 280
stage2	6	128

类别	收集的被试数量	年龄	性别构成
类别	收集的被试数量	年龄	男性	女性
总计	520	76.1±6.8	312	208
AD	130	75.6±7.6	68	62
MCI	260	76.0±6.9	175	85
NC	130	76.7±5.4	69	61

类别	收集的被试数量	年龄	性别构成
类别	收集的被试数量	年龄	男性	女性
总计	520	76.1±6.8	312	208
AD	130	75.6±7.6	68	62
MCI	260	76.0±6.9	175	85
NC	130	76.7±5.4	69	61

文献来源	数据模态	实验方法	准确率/%
文献来源	数据模态	实验方法	AD/NC	MCI/NC	AD/MCI	AD/MCI/NC
文献［29］	MRI	ROI-based；Graph-guided learning	90.60	75.10	—	—
文献［29］	PET	ROI-based；Graph-guided learning	83.20	69.60	—	—
文献［24］	MRI	2D Slice；CNN；Fusion multiple source	85.94	65.61	63.28	—
文献［31］	MRI	ROI-based；CNN	82.80	66.00	62.50	—
文献［21］	MRI	2D Slice；ResNet	81.30	—	—	56.80
文献［32］	MRI	2D Slice；Hypergraph； Multi-kernel SVM	88.30	—	—	—
文献［32］	PET	2D Slice；Hypergraph； Multi-kernel SVM	87.33	—	—	—
文献［26］	MRI	3D Subject；CNN	85.00	—	—	—
文献［33］	fMRI	Machine Learning	86.84	—	—	—
文献［34］	MRI	2D Slice；DeU-Net	89.50	—	—	—
文献［30］	MRI	2D Slice；CNN	—	69.23	73.98	58.82
文献［30］	MRI	3D Subject；3D CNN	—	68.46	72.35	58.24
3D-RepVGG	MRI	3D Subject；3D-RepVGG	90.38	85.90	70.51	62.50

利用3D-RepVGG进行阿尔兹海默症诊断

Alzheimer disease diagnosis by three-dimension re-parameterization visual geometry group

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 34

相关文章 15

编辑推荐

Metrics

[1]	陆靖桥, 宾炜, 卢永锵, 麦广柱, 陈银, 伍雁雄. 结合注意力互斥正则的细粒度图像分类[J]. 《计算机应用》唯一官方网站, 2023, 43(S1): 224-228.
[2]	王彬, 向甜, 吕艺东, 王晓帆. 基于NSGA‑Ⅱ的自适应多尺度特征通道分组优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1401-1408.
[3]	李振亮, 李波. 基于矩阵分解的卷积神经网络改进方法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 685-691.
[4]	申志军, 穆丽娜, 高静, 史远航, 刘志强. 细粒度图像分类综述[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 51-60.
[5]	魏佳璇, 杜世康, 于志轩, 张瑞生. 图像分类中的白盒对抗攻击技术综述[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2732-2741.
[6]	任炜, 白鹤翔. 基于全局与局部标签关系的多标签图像分类方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1383-1390.
[7]	季长清, 高志勇, 秦静, 汪祖民. 基于卷积神经网络的图像分类算法综述[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1044-1049.
[8]	张谊, 万华, 涂淑琴. 基于计算机视觉的中药饮片分类技术综述与案例研究[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3224-3234.
[9]	邓爽, 何小海, 卿粼波, 陈洪刚, 滕奇志. 基于改进VGG网络的弱监督细粒度阿尔兹海默症分类方法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 302-309.
[10]	贾鹤鸣, 郎春博, 姜子超. 基于轻量级卷积神经网络的植物叶片病害识别方法[J]. 计算机应用, 2021, 41(6): 1812-1819.
[11]	徐少伟, 秦品乐, 曾建朝, 赵致楷, 高媛. 基于注意力机制的两阶段纵膈淋巴结自动分割算法[J]. 计算机应用, 2021, 41(2): 556-562.
[12]	赵津, 宋文爱, 邰隽, 杨吉江, 王青, 李晓丹, 雷毅, 邱悦. 儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3394-3401.
[13]	许学斌, 张佳达, 刘伟, 路龙宾, 赵雨晴. 融合空间和通道特征的高精度乳腺癌分类方法[J]. 计算机应用, 2021, 41(10): 3025-3032.
[14]	孙中杰, 万涛, 陈东, 汪昊, 赵艳丽, 秦曾昌. 深度学习在主动脉中膜变性病理图像分类中的应用[J]. 计算机应用, 2021, 41(1): 280-285.
[15]	陈莉, 王洪元, 张云鹏, 曹亮, 殷雨昌. 联合均等采样随机擦除和全局时间特征池化的视频行人重识别方法[J]. 计算机应用, 2021, 41(1): 164-169.