3DPCANet在阿尔茨海默症功能磁共振成像图像分类中的应用

doi:10.11772/j.issn.1001-9081.2021010132

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (1): 310-315.DOI: 10.11772/j.issn.1001-9081.2021010132

• 前沿与综合应用 • 上一篇

3DPCANet在阿尔茨海默症功能磁共振成像图像分类中的应用

贾洪飞, 刘茜, 王瑜(), 肖洪兵, 邢素霞

北京工商大学人工智能学院，北京 100048

收稿日期:2021-01-25 修回日期:2020-05-31 接受日期:2020-06-10 发布日期:2021-07-14 出版日期:2022-01-10
通讯作者: 王瑜
作者简介:贾洪飞（1997—），男，吉林通化人，硕士研究生，主要研究方向：图像处理、模式识别
刘茜（1996—），女，北京人，硕士研究生，主要研究方向：图像处理、模式识别
王瑜（1977—），女，北京人，教授，博士生导师，博士，CCF会员，主要研究方向：图像处理、模式识别
肖洪兵（1968—），男，北京人，副教授，博士，主要研究方向：图像处理、模式识别
邢素霞（1975—），女，北京人，副教授，博士，主要研究方向：图像处理、模式识别。
基金资助:
国家自然科学基金资助项目(61671028);北京市自然科学基金-北京市教育委员会科技计划重点项目(KZ202110011015)

Application of 3DPCANet in image classification of functional magnetic resonance imaging for Alzheimer’s disease

Hongfei JIA, Xi LIU, Yu WANG(), Hongbing XIAO, Suxia XING

School of Artificial Intelligence，Beijing Technology and Business University，Beijing 100048，China

Received:2021-01-25 Revised:2020-05-31 Accepted:2020-06-10 Online:2021-07-14 Published:2022-01-10
Contact: Yu WANG
About author:JIA Hongfei， born in 1997， M. S. candidate. His research interests include image processing， pattern recognition.
LIU Xi， born in 1996， M. S. candidate. Her research interests include image processing， pattern recognition.
WANG Yu， born in 1977， Ph. D.， professor. Her research interests include image processing， pattern recognition.
XIAO Hongbing， born in 1968， Ph. D.， associate professor. His research interests include image processing， pattern recognition.
XING Suxia， born in 1975， Ph. D.， associate professor. Her research interests include image processing， pattern recognition.
Supported by:
National Natural Science Foundation of China(61671028);Beijing Municipal Natural Science Foundation — Key Project of Science and Technology Plan of Beijing Municipal Education Commission(KZ202110011015)

摘要/Abstract

摘要：

阿尔茨海默症（AD）是一种起病隐匿的进行性神经退行性疾病，会使患者的大脑脑区结构发生改变。为辅助医生对AD患者的病情做出正确判断，提出了一种改进的三维主成分分析网络（3DPCANet）模型，并结合被试者全脑均值低频波动振幅（mALFF）图像来对AD进行分类。首先，对功能磁共振成像（fMRI）数据进行预处理，计算出全脑mALFF图像；然后，利用改进的3DPCANet深度学习模型进行特征提取；最后，使用支持向量机（SVM）对不同阶段的AD患者的特征进行分类。实验结果显示，所提模型简单，鲁棒性好，且其在主观记忆衰退（SMD）与AD、SMD与晚期轻度认知障碍（LMCI）以及LMCI与AD上的分类准确率分别达到了92.42%、91.80%和89.33%，验证了提出方法的有效性和可行性。

关键词: 阿尔茨海默症, 功能磁共振成像, 3DPCANet, 支持向量机, 均值低频波动振幅

Abstract:

Alzheimer’s Disease （AD） is a progressive neurodegenerative disease with hidden causes， and can result in structural changes of patients’ brain regions. For assisting the doctors to make correct judgment on the condition of AD patients， an improved Three-Dimensional Principal Component Analysis Network （3DPCANet） model was proposed to classify AD by combining the mean Amplitude of Low-Frequency Fluctuation （mALFF） image of the whole brain of the subject. Firstly， functional Magnetic Resonance Imaging （fMRI） data were preprocessed， and the mALFF image of the whole brain was calculated. Then， the improved 3DPCANet deep learning model was used for feature extraction. Finally， Support Vector Machine （SVM） was used to classify features of AD patients with different stages. Experimental results show that the proposed model is simple and robust， and has the classification accuracies on Subjective Memory Decline （SMD） vs. AD， SMD vs. Late Mild Cognitive Impairment （LMCI）， and LMCI vs. AD reached 92.42%， 91.80% and 89.33% respectively， which verifies the effectiveness and feasibility of the proposed method.

Key words: Alzheimer’s Disease (AD), functional Magnetic Resonance Imaging (fMRI), 3DPCANet, Support Vector Machine (SVM), mean Amplitude of Low-Frequency Fluctuation (mALFF)

中图分类号:

R742

贾洪飞, 刘茜, 王瑜, 肖洪兵, 邢素霞. 3DPCANet在阿尔茨海默症功能磁共振成像图像分类中的应用[J]. 计算机应用, 2022, 42(1): 310-315.

Hongfei JIA, Xi LIU, Yu WANG, Hongbing XIAO, Suxia XING. Application of 3DPCANet in image classification of functional magnetic resonance imaging for Alzheimer’s disease[J]. Journal of Computer Applications, 2022, 42(1): 310-315.

图/表 7

参考文献 24

1	王全英，梁景宏，贾瑞霞，等. 2020—2050年中国阿尔茨海默病患病情况预测研究［J］. 阿尔茨海默病及相关病， 2019， 2（1）：289-298.
	WANG Q Y， LIANG J H， JIA R X， et al. Alzheimer disease in China （2015—2050） estimated using the 1% population sampling survey in 2015 ［J］. Alzheimer’s Disease and Related Diseases， 2019， 2（1）： 289-298.
2	WEINER M W， VEITCH D P， AISEN P S， et al. Recent publications from the Alzheimer’s disease neuroimaging initiative： reviewing progress toward improved AD clinical trials［J］. Alzheimer’s and Dementia， 2017， 13（4）： e1-e85. 10.1016/j.jalz.2016.11.007
3	DeYOE E A， BANDETTINI P， NEITZ J， et al. Functional Magnetic Resonance Imaging （FMRI） of the human brain［J］. Journal of Neuroscience Methods， 1994， 54（2）： 171-187. 10.1016/0165-0270(94)90191-0
4	LAUTERBUR P C. Image formation by induced local interactions： examples employing nuclear magnetic resonance［J］. Nature， 1973， 242（5394）： 190-191. 10.1038/242190a0
5	GOLBABAEI S， VAHID A， HATAMI J， et al. Classification of Alzheimer’s disease and mild cognitive impairment： machine learning applied to rs-fMRI brain graphs［C］// Proceedings of the 23rd Iranian Conference on Biomedical Engineering and the 1st International Iranian Conference on Biomedical Engineering. Piscataway： IEEE， 2016： 35-40. 10.1109/icbme.2016.7890925
6	KHAZAEE A， EBRAHIMZADEH A， BABAJANI-FEREMI A. Identifying patients with Alzheimer’s disease using resting-state fMRI and graph theory［J］. Clinical Neurophysiology， 2015， 126（11）： 2132-2141. 10.1016/j.clinph.2015.02.060
7	SHI Y H， ZENG W M， DENG J， et al. The identification of Alzheimer’s disease using functional connectivity between activity voxels in resting-state fMRI data［J］. IEEE Journal of Translational Engineering in Health and Medicine， 2020， 8： No.1400211. 10.1109/jtehm.2020.2985022
8	GUI R Z， CHEN T J， NIE H. Classification of task-state fMRI data based on circle-EMD and machine learning［J］. Computational Intelligence and Neuroscience， 2020， 2020： No.791294. 10.1155/2020/7691294
9	周文，王瑜，肖红兵，等. 基于KPCA算法的阿尔茨海默症辅助诊断［J］. 中国医学物理学杂志， 2018， 35（4）：404-409. 10.3969/j.issn.1005-202X.2018.04.007
	ZHOU Q， WANG Y， XIAO H B， et al. Assisted diagnosis of Alzheimer’s disease based on KPCA algorithm［J］. Chinese Journal of Medical Physics， 2018， 35（4）： 404-409. 10.3969/j.issn.1005-202X.2018.04.007
10	李长胜，王瑜，肖洪兵，等. KPCA和Adaboost算法在阿尔茨海默症功能磁共振影像分类中的应用［J］. 中国医学物理学杂志， 2019， 36（7）：784-788. 10.3969/j.issn.1005-202X.2019.07.008
	LI C S， WANG Y， XIAO H B， et al. Application of KPCA and Adaboost algorithm in the classification of functional magnetic resonance images of Alzheimer’s disease［J］. Chinese Journal of Medical Physics， 2019， 36（7）： 784-788. 10.3969/j.issn.1005-202X.2019.07.008
11	HOSSEINI-ASL E， KEYNTON R， El-BAZ A. Alzheimer’s disease diagnostics by adaptation of 3D convolutional network［C］// Proceedings of the 2016 IEEE International Conference on Image Processing. Piscataway： IEEE， 2016： 126-130. 10.1109/icip.2016.7532332
12	LIAN C F， LIU M X， ZHANG J， et al. Hierarchical fully convolutional network for joint atrophy localization and Alzheimer’s disease diagnosis using structural MRI［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（4）： 880-893. 10.1109/tpami.2018.2889096
13	HOSSEINI ASL E， GHAZAL M， MAHMOUD A. Alzheimer’s disease diagnostics by a deeply supervised adaptable 3D convolutional network［J］. Frontiers in Bioscience-Landmark， 2018， 23（3）： 584-596.
14	LAO H， ZHANG X， TANG Y， et al. Alzheimer’s disease diagnosis based on the visual attention model and equal-distance ring shape context features［J］. IET Image Processing， 2021，15（4）：1-12.
15	JAIN R， JAIN N， AGGARWAL A， et al. Convolutional neural network based Alzheimer’s disease classification from magnetic resonance brain images［J］. Cognitive Systems Research， 2019， 57： 147-159. 10.1016/j.cogsys.2018.12.015
16	ZHANG F， LI Z Z， ZHANG B Y， et al. Multi-modal deep learning model for auxiliary diagnosis of Alzheimer’s disease［J］. Neurocomputing， 2019， 361： 185-195. 10.1016/j.neucom.2019.04.093
17	CHAN T H， JIA K， GAO S H， et al. PCANet： a simple deep learning baseline for image classification？［J］. IEEE Transactions on Image Processing， 2015， 24（12）： 5017-5032. 10.1109/tip.2015.2475625
18	李书通，肖斌，李伟生，等. 基于3D-PCANet的阿尔兹海默病辅助诊断［J］. 计算机科学， 2018， 45（6A）： 140-142， 156. 10.11896/j.issn.1002-137X.2018.Z6.029
	LI S T， XIAO B， LI W S， et al. Diagnosis of Alzheimer’s disease based on 3D-PCANet［J］. Computer Science， 2018， 45（6A）： 140-142， 156. 10.11896/j.issn.1002-137X.2018.Z6.029
19	JU R H， HU C H， ZHOU P， et al. Early diagnosis of Alzheimer’s disease based on resting-state brain networks and deep learning［J］. IEEE/ACM Transactions on Computational Biology and Bioinformatics， 2019， 16（2）： 244-257. 10.1109/tcbb.2017.2776910
20	PERAZA L R， COLLOBY S J， DEBOYS L， et al. Regional functional synchronizations in dementia with Lewy bodies and Alzheimer’s disease［J］. International Psychogeriatrics， 2016， 28（7）： 1143-1151. 10.1017/s1041610216000429
21	JIANG L L， ZUO X N. Regional homogeneity： a multimodal， multiscale neuroimaging marker of the human connectome［J］. The Neuroscientist， 2016， 22（5）： 486-505. 10.1177/1073858415595004
22	ZANG Y F， HE Y， ZHU C Z， et al. Altered baseline brain activity in children with ADHD revealed by resting-state functional MRI［J］. Brain and Development， 2007， 29（2）： 83-91. 10.1016/j.braindev.2006.07.002
23	YAN C G， WANG X D， ZUO X N， et al. DPABI： data processing & analysis for （resting-state） brain imaging［J］. Neuroinformatics， 2016， 14（3）： 339-351. 10.1007/s12021-016-9299-4
24	DAI Z J， YAN C G， WANG Z Q， et al. Discriminative analysis of early Alzheimer’s disease using Multi-modal imaging and Multi-level characterization with Multi-classifier （M3）［J］. NeuroImage， 2012， 59（3）： 2187-2195. 10.1016/j.neuroimage.2011.10.003

fMRI	人数	男/女	年龄/岁	训练集	验证集
AD	34	18/16	57~88	26	8
EMCI	57	34/23	57~90	44	13
LMCI	35	14/21	58~88	28	7
NC	50	28/22	66~91	40	10
SMD	26	14/12	65~83	21	5

fMRI	人数	男/女	年龄/岁	训练集	验证集
AD	34	18/16	57~88	26	8
EMCI	57	34/23	57~90	44	13
LMCI	35	14/21	58~88	28	7
NC	50	28/22	66~91	40	10
SMD	26	14/12	65~83	21	5

方法	评测指标	NC vs.AD	SMD vs.LMCI	NC vs.EMCI	LMCI vs.AD
文献［18］方法	ACC	83.95	—	80.15 （NC vs MCI）	82.53 （MCI vs AD）
文献［18］方法	AUC	88.42	—	81.74 （NC vs MCI）	81.24 （MCI vs AD）
文献［24］方法	ACC	78.95	—	—	—
	SEN	81.25	—	—	—
	SPE	77.27	—	—	—
3DPCANet+SVM+ALFF	ACC	87.78	91.80	81.82	86.67
	SEN	96.00	91.43	80.00	88.57
	SPE	77.50	92.67	84.00	85.00
	F1	90.05	92.72	82.62	85.35
	AUC	88.50	88.09	78.17	83.93
改进3DPCANet+SVM +ALFF	ACC	88.89	91.80	87.27	89.33
	SEN	86.00	94.28	80.00	85.71
	SPE	92.50	88.67	96.00	92.50
	F1	89.57	92.92	87.21	88.08
	AUC	82.25	90.86	89.83	83.57

方法	评测指标	NC vs.AD	SMD vs.LMCI	NC vs.EMCI	LMCI vs.AD
文献［18］方法	ACC	83.95	—	80.15 （NC vs MCI）	82.53 （MCI vs AD）
文献［18］方法	AUC	88.42	—	81.74 （NC vs MCI）	81.24 （MCI vs AD）
文献［24］方法	ACC	78.95	—	—	—
	SEN	81.25	—	—	—
	SPE	77.27	—	—	—
3DPCANet+SVM+ALFF	ACC	87.78	91.80	81.82	86.67
	SEN	96.00	91.43	80.00	88.57
	SPE	77.50	92.67	84.00	85.00
	F1	90.05	92.72	82.62	85.35
	AUC	88.50	88.09	78.17	83.93
改进3DPCANet+SVM +ALFF	ACC	88.89	91.80	87.27	89.33
	SEN	86.00	94.28	80.00	85.71
	SPE	92.50	88.67	96.00	92.50
	F1	89.57	92.92	87.21	88.08
	AUC	82.25	90.86	89.83	83.57

评测指标	NC vs. SMD	SMD vs. EMCI	SMD vs. AD	EMCI vs. LMCI	EMCI vs. AD
ACC	89.50	88.43	92.42	84.21	88.42
SEN	94.00	91.67	88.00	88.33	90.00
SPE	80.67	81.33	95.00	77.14	85.71
F1	90.10	91.65	89.46	87.44	90.79
AUC	89.53	79.55	86.83	80.95	85.48

3DPCANet在阿尔茨海默症功能磁共振成像图像分类中的应用

Application of 3DPCANet in image classification of functional magnetic resonance imaging for Alzheimer’s disease

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 24

相关文章 15

编辑推荐

Metrics

[1]	祝承, 赵晓琦, 赵丽萍, 焦玉宏, 朱亚飞, 陈建英, 周伟, 谭颖. 基于谱聚类半监督特征选择的功能磁共振成像数据分类[J]. 计算机应用, 2021, 41(8): 2288-2293.
[2]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[3]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[4]	曹鸿亮, 张莹, 武斌, 李繁菀, 那绪博. 基于迁移成分分析和支持向量机的肝移植并发症预测方法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3608-3613.
[5]	李凯, 李洁. 基于pinball损失的结构模糊多分类支持向量机算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3104-3112.
[6]	陆荣秀, 陈明明, 杨辉, 朱建勇. 基于溶液图像时序特征的元素组分含量动态监测系统[J]. 计算机应用, 2021, 41(10): 3075-3081.
[7]	童林, 官铮. 改进鲸鱼优化支持向量机的交通流量模糊粒化预测[J]. 计算机应用, 2021, 41(10): 2919-2927.
[8]	朱琳, 于海涛, 雷新宇, 刘静, 王若凡. 基于MRI图像的阿尔茨海默症患者脑网络特征识别算法[J]. 计算机应用, 2020, 40(8): 2455-2459.
[9]	张健铭, 施元昊, 徐正蓺, 魏建明. 基于误差预测的自适应UWB/PDR融合定位算法[J]. 计算机应用, 2020, 40(6): 1755-1762.
[10]	王杨, 赵红东. 基于改进粒子群优化的支持向量机与情景感知的人体活动识别[J]. 计算机应用, 2020, 40(3): 665-671.
[11]	黄功, 赵永平, 谢云龙. 基于局部密度的加权一类支持向量机算法及其在涡轴发动机故障检测中的应用[J]. 计算机应用, 2020, 40(3): 917-924.
[12]	赵一, 段兴, 谢仕义, 梁春林. 面向特定目标自识别的交通图像语义检索方法[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 553-560.
[13]	李卉, 杨志霞. 基于Rescaled Hinge损失函数的多子支持向量机[J]. 计算机应用, 2020, 40(11): 3139-3145.
[14]	牛晓可, 黄伊鑫, 徐华兴, 蒋震阳. 基于听皮层神经元感受野的强噪声环境下说话人识别[J]. 计算机应用, 2020, 40(10): 3034-3040.
[15]	白东颖, 易亚星, 王庆超, 余志勇. 面向概念漂移问题的渐进多核学习方法[J]. 计算机应用, 2019, 39(9): 2494-2498.