面向阿尔茨海默症辅助诊断的多尺度域适应网络

摘要: 针对传统有监督学习忽略了磁共振影像数据（magnetic resonance imaging, MRI）由于个体差异和不同站点等原因导致的特征分布不一致这一域偏移问题，本文提出了一种多尺度域适应网络模型应用于阿尔茨海默症（Alzheimer disease，AD）的辅助诊断。首先在三维卷积神经网络中设计空洞空间金字塔模块进行特征的多尺度信息提取融合，并加入注意力一致性损失来保留域间转移的语义信息；然后协同训练两个域判别器和特征提取器进行对抗学习实现源域和目标域的特征对齐，并加入权重差异损失防止域判别器过拟合；最后，在对抗训练中引入基于最大密度差异的距离度量方法，增强两个域数据的特征对齐。实验结果表明，本文方法在面临域偏移的MRI数据上具有更好的识别精度和鲁棒性。

• 关键词: 
• 阿尔茨海默症  /  
• 磁共振影像  /  
• 域偏移  /  
• 多尺度信息  /  
• 域适应  /  
• 协同训练  /  
• 对抗学习  /  
• 距离度量  

阿尔茨海默症（Alzheimer disease，AD）是一种起病隐匿、进行性发展的神经系统退行性疾病。2021年中国阿尔茨海默病报告[1]显示，目前中国AD的发病率、患病率和死亡率每年仍在不断增长，给社会和居民带来了巨大的经济负担。轻度认知功能障碍（mild cognitive impairment，MCI）是发生在AD前期的一种综合症[2]，尽早发现MCI和AD患者，并进行有效的干预治疗，对于预防或延缓阿尔茨海默症的发生具有重要意义。结构磁共振影像