賈文娟，王水花，張煜東

JIA Wenjuan1,WANG Shuihua1,ZHANG Yudong2

1.南京師范大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，南京 210023

2.萊斯特大學(xué) 信息系，英國(guó) 萊斯特 LE1 7RH

1.School of Computer Science and Technology,Nanjing Normal University,Nanjing 210023,China

2.Department of Informatics,University of Leicester,Leicester LE1 7RH,United Kingdom

1 引言

由于人類的腦部容易受到病毒感染、物理撞擊、化學(xué)中毒等傷害，并且隨著人類社會(huì)的老齡化，大腦內(nèi)部疾病的發(fā)病率正在提高，已經(jīng)成為威脅人類健康的重大疾病之一。普通醫(yī)學(xué)的研究可以借助動(dòng)物及其器官，但在腦部的研究中，人腦和動(dòng)物腦又有本質(zhì)的不同，人腦部結(jié)構(gòu)錯(cuò)綜復(fù)雜、精細(xì)程度高，主要表現(xiàn)為人腦對(duì)思維和記憶的計(jì)算，這就削弱了動(dòng)物腦研究的可靠性，而直接進(jìn)行人腦研究又受到社會(huì)倫理的制約，所以現(xiàn)代醫(yī)學(xué)對(duì)腦部的研究幾乎只能通過(guò)計(jì)算機(jī)輔助的方法。

腦血管疾病作為腦部疾病的一種，是神經(jīng)科最常見(jiàn)的疾病，其中腦中風(fēng)是導(dǎo)致成年人殘疾的主要原因。這里以腦血管疾病的危害為例，根據(jù)資料不難發(fā)現(xiàn)在發(fā)達(dá)國(guó)家中，腦中風(fēng)是導(dǎo)致死亡最常見(jiàn)的疾病之一。同樣，據(jù)不完全統(tǒng)計(jì)，在我國(guó)中風(fēng)患者約有500～700萬(wàn)，年發(fā)病率150/100 000，病死率為120/100 000，每一年都有195萬(wàn)左右的人飽受這種疾病的折磨，大約有156萬(wàn)人死于中風(fēng)。據(jù)統(tǒng)計(jì)，腦血管疾病突發(fā)病死率約為20%，第一年復(fù)發(fā)率為30%，第五年復(fù)發(fā)率高達(dá)59%，第二次復(fù)發(fā)死亡率更高。阿爾茨海默氏癥即俗稱的老年癡呆癥，它屬于一種神經(jīng)系統(tǒng)退行性疾病，是癡呆最常見(jiàn)的一種類型。該疾病的起因不易發(fā)現(xiàn)，患病過(guò)程呈慢性進(jìn)行性，是老年期癡呆最常見(jiàn)的一種類型，患病率隨著年齡的增長(zhǎng)而提高。主要表現(xiàn)為記憶功能的漸漸退化、認(rèn)知功能逐步降低、人格發(fā)生變化和語(yǔ)言出現(xiàn)障礙等癥狀，嚴(yán)重影響了患者的正常社交、工作與生活能力。但是由于該疾病的病因及發(fā)病機(jī)制尚不明確，而且病情多樣，這給診斷治療和預(yù)防帶來(lái)了極大的困難[1-2]。腦出血疾病是腦中風(fēng)中最嚴(yán)重的一種類型，身患該類疾病的患者在30天內(nèi)死亡的幾率可達(dá)35%～52%，其中，一半以上的患者會(huì)在發(fā)病后2天之內(nèi)死亡，而在6個(gè)月后僅有20%左右患者的生活能夠自理。之前，專家認(rèn)為該疾病的危險(xiǎn)性會(huì)隨著年齡的增長(zhǎng)而提高，但最近研究又發(fā)現(xiàn)該類疾病的發(fā)病年齡有年輕化的趨勢(shì)。在我國(guó)，該類疾病的發(fā)病情況沒(méi)有整體的統(tǒng)計(jì)資料，僅有部分地區(qū)的統(tǒng)計(jì)資料，資料顯示，1996—1998年上海累計(jì)40～44歲年齡段腦出血疾病發(fā)病率為53/100 000[3]。

腦部疾病由于其肉眼無(wú)法檢測(cè)，所以給醫(yī)生及病人帶來(lái)了很多困擾，但是計(jì)算機(jī)技術(shù)的發(fā)展給該類型疾病的診斷與治療帶來(lái)了福音，人體某些疾病的診斷變得具有可預(yù)測(cè)性及準(zhǔn)確性。研究者們通過(guò)核磁共振成像（MRI）等技術(shù)獲取人腦部圖像，并根據(jù)腦部圖像，使用計(jì)算機(jī)輔助檢測(cè)（CAD）的方法來(lái)診斷是否患有腦部疾病，從而達(dá)到及時(shí)發(fā)現(xiàn)、及時(shí)治療的目的。此外，本文將重點(diǎn)分析與討論通過(guò)當(dāng)前較為火熱的深度學(xué)習(xí)來(lái)診斷腦部疾病的方法。

2 成像技術(shù)

2.1 早期成像技術(shù)

計(jì)算機(jī)可視化技術(shù)的快速發(fā)展也促進(jìn)了醫(yī)學(xué)成像技術(shù)的進(jìn)步，成像方式不斷涌現(xiàn)并不斷得以完善，自局部到整體、從靜態(tài)到動(dòng)態(tài)、由二維到三維的變化已然成為醫(yī)學(xué)成像技術(shù)的一個(gè)發(fā)展趨勢(shì)。

X射線的發(fā)現(xiàn)被評(píng)為19世紀(jì)醫(yī)學(xué)診斷學(xué)上最偉大的發(fā)現(xiàn)，它作為最早的醫(yī)學(xué)影像技術(shù)直至今天仍然具有廣泛的應(yīng)用。X射線成像技術(shù)所獲得的圖像能夠較為清楚地顯示患者組織、器官和病變部位的形狀[4]。而XCT的發(fā)明被公認(rèn)為是Roentgen發(fā)現(xiàn)X射線以來(lái)的重大進(jìn)步，CT掃描儀的密度分辨率較高，解剖結(jié)構(gòu)顯示較為清楚，并且對(duì)病變部位的定位和定性能力較強(qiáng)，可以對(duì)人體幾乎任何部位組織器官的掃描進(jìn)行成像，因此，CT掃描儀已經(jīng)成為臨床影像檢查的常用工具[5]。但是該技術(shù)得到的影像只能顯示二維的器官大小與形狀，且成像平面只能是橫向，成像范圍只能是有限的斷面方向。

超聲回波是超聲成像[6]系統(tǒng)的檢測(cè)信號(hào)，這種技術(shù)所形成的圖像能夠反映人體組織聲學(xué)特性的不同，并且能夠顯示人體中被檢測(cè)的不同器官的大小和形狀。這種設(shè)備通過(guò)將給定頻率的超聲波導(dǎo)入病人體內(nèi)，利用超聲波遇到不同組織或者器官界面時(shí)得到的不同物理信息這一物理特性進(jìn)行處理，經(jīng)過(guò)處理后顯示為不同的波形、曲線或者圖像，從而根據(jù)臨床表現(xiàn)和得到的超聲監(jiān)測(cè)結(jié)果對(duì)疾病做出診斷。但是，這種成像技術(shù)只能顯示器官大小與形狀的二維圖像，并不能顯示人體組織中形態(tài)、生理生化狀態(tài)的變化過(guò)程，而且成像范圍只是自由的斷面方向。蘆鉞等[7]利用36例窒息新生兒作為研究對(duì)象，分析超聲在窒息新生兒顱腦疾病診斷中的性能。實(shí)驗(yàn)結(jié)果表明該方法的準(zhǔn)確率較高，但準(zhǔn)確率依賴于MRI檢查的結(jié)果，這也說(shuō)明了MRI成像比超聲成像的方法具有較好的應(yīng)用價(jià)值。

由于上述成像技術(shù)的限制以及計(jì)算機(jī)技術(shù)的飛速進(jìn)步，核磁共振成像技術(shù)在成像技術(shù)中的價(jià)值越來(lái)越大。核磁共振成像技術(shù)通過(guò)圖像能夠顯示出體層內(nèi)的組織形態(tài)和生理生化信息，并且通過(guò)調(diào)整梯度磁場(chǎng)的方向和方式，可以直接獲得不同斷面、不同體位的體層圖像。

2.2 核磁共振成像技術(shù)

由于人體大腦的灰、白質(zhì)的密度相近，使用計(jì)算機(jī)層析成像（CT）技術(shù)頁(yè)很難分辨，而核磁共振成像[8]（MRI）技術(shù)所獲得的圖像中可采用白、灰、黑三級(jí)來(lái)表示[9]。因此，在腦部疾病檢測(cè)的過(guò)程中，MRI技術(shù)的應(yīng)用更為廣泛。由于計(jì)算機(jī)技術(shù)、電子技術(shù)、超導(dǎo)技術(shù)等技術(shù)的迅猛發(fā)展，核磁共振已然成為一種更加適用于臨床醫(yī)學(xué)的生物磁學(xué)核自旋成像技術(shù)。該技術(shù)利用核磁共振原理，通過(guò)檢測(cè)外加梯度磁場(chǎng)，得到其發(fā)射出的電磁波來(lái)繪制物體內(nèi)部的結(jié)構(gòu)圖像。該技術(shù)在科學(xué)研究、臨床診斷中的應(yīng)用極大地推動(dòng)了醫(yī)學(xué)、神經(jīng)生理學(xué)和認(rèn)知神經(jīng)科學(xué)的發(fā)展和進(jìn)步。

核磁共振成像技術(shù)是一種對(duì)人體沒(méi)有任何傷害的技術(shù)，并且安全性高、準(zhǔn)確度高、速度快，適合于疾病的臨床診斷。核磁共振圖像對(duì)人體內(nèi)的軟組織具有極高的分辨率，各種參數(shù)都可以用來(lái)成像，大量的成像參數(shù)能夠給臨床醫(yī)學(xué)提供豐富的診斷信息，因此，這種技術(shù)也使得醫(yī)療診斷、對(duì)人體內(nèi)代謝和功能的研究更加方便、更加有效。除此之外，通過(guò)對(duì)磁場(chǎng)進(jìn)行調(diào)節(jié)，可自由選擇臨床中所需要的剖面，能夠得到其他成像技術(shù)所不能達(dá)到或很難達(dá)到部位的圖像。尤其在顱腦疾病研究中，基于MRI技術(shù)的診斷具有更高的預(yù)測(cè)性及確定性，并且在診斷過(guò)程中可以直接顯示腦血管及顱神經(jīng)，能夠在早期發(fā)現(xiàn)神經(jīng)上的病變[10]。因?yàn)闅湓卦谌梭w內(nèi)普遍存在，并且信號(hào)是最強(qiáng)的，所以在對(duì)人體內(nèi)部利用該技術(shù)進(jìn)行成像時(shí)，用于顯像的裝置基本都是對(duì)氫原子成像。人體中不同組織的氫含量不同，所以一旦在同一組織中檢測(cè)出氫原子核的密度和弛豫時(shí)間存在著明顯差異，就說(shuō)明該部位存在著病變的情況。因此，核磁共振技術(shù)就是把人體中質(zhì)子密度和弛豫時(shí)間的空間分布進(jìn)行分析處理，然后展現(xiàn)成便于醫(yī)生觀察的醫(yī)學(xué)圖像。

張雪林等[11]針對(duì)顱腦疾病對(duì)MRI與X-CT診斷價(jià)值進(jìn)行了比較，實(shí)驗(yàn)分析了530例顱腦MRI檢查結(jié)果，并與同時(shí)進(jìn)行的X-CT檢查的345例的結(jié)果進(jìn)行比較。從顯示病變部位、病變種類來(lái)看，兩者相似，但是顯示腦干、基底節(jié)、中線結(jié)構(gòu)、顱底及腦池、枕骨大孔區(qū)腫瘤、腔隙腦梗塞、腦池囊性占位病變、慢性硬膜下血腫等方面時(shí)，MRI要優(yōu)于X-CT。

為了便于清晰地認(rèn)識(shí)核磁共振圖像，本文從哈佛醫(yī)學(xué)院官方網(wǎng)址（http：//www.med.harvard.edu/AANLIB/）中下載了部分腦部疾病的核磁共振圖像，如圖1所示。

圖1 不同種類腦部疾病的核磁共振圖像

然而，由于射頻場(chǎng)的不均勻特性，腦部核磁共振圖像的灰度均勻性會(huì)變差，在實(shí)際應(yīng)用中，這將會(huì)直接導(dǎo)致傳統(tǒng)的基于灰度值的分割模型分割失敗。除此以外，在成像過(guò)程中，由于受到設(shè)備等物理原因影響，所獲得的圖像中常含有噪聲，檢測(cè)結(jié)果受到較大的干擾。上述的因素都使得基于核磁共振圖像的腦部疾病檢測(cè)方法難度提升。因此，王利[12]在文章中提出了采用連續(xù)的方法，基于圖像局部均值的分割模型來(lái)克服上述內(nèi)容中所存在的灰度不均勻性，并通過(guò)多相位水平集方式來(lái)擬合局部灰度，從而在圖像中同時(shí)得到白質(zhì)、灰質(zhì)和腦脊液。

吳海遠(yuǎn)[13]在實(shí)驗(yàn)中選擇了核磁共振成像技術(shù)對(duì)患者進(jìn)行診斷，實(shí)驗(yàn)包括腦血管病患者與健康體檢者各45例，其中腦血管類疾病患者包括腦出血患者5例、腦梗死患者36例、顱內(nèi)動(dòng)脈瘤患者4例。在實(shí)驗(yàn)完成很順利情況下，45例正常測(cè)試者的腦部血管顯示均很清晰，45例該類疾病的患者可以看到明顯的影像圖征象。實(shí)驗(yàn)總診斷率為92%（83/90），定位診斷率為100%（100/100）。該實(shí)驗(yàn)表明，針對(duì)該類疾病患者使用核磁共振成像技術(shù)進(jìn)行腦部檢查，有利于盡快明確病情，給醫(yī)生制定實(shí)施方案提供有效的依據(jù)，能夠在臨床醫(yī)學(xué)中推廣并得到有效的應(yīng)用。董會(huì)卿等[14]在實(shí)驗(yàn)中發(fā)現(xiàn)MRI線性測(cè)量局部腦萎縮程度的方法能夠鑒別輕度癡呆的阿爾茨海默氏癥與多發(fā)腦梗塞性癡呆以及正?；颊?，實(shí)驗(yàn)中使用的核磁共振成像儀是由德國(guó)西門(mén)子公司生產(chǎn)，在MRI診斷臺(tái)上進(jìn)行兩點(diǎn)間線性測(cè)量，精確度為1 mm。實(shí)驗(yàn)敏感度為93%，特異性為95%。

3 基于圖像的病腦檢測(cè)方法

在利用不同成像方法獲得的腦部圖像之后，傳統(tǒng)方法是利用醫(yī)生的工作經(jīng)驗(yàn)對(duì)患者的疾病進(jìn)行診斷，但這種情況下醫(yī)生的判斷會(huì)受到各種主觀及客觀因素的影響。例如，年長(zhǎng)醫(yī)生的視力較弱，或者由于各種原因造成的圖像噪聲等都會(huì)造成醫(yī)生對(duì)病人病情的診斷誤差，輕度地會(huì)影響病人的早期預(yù)防和治療，嚴(yán)重地則可能影響病人的生命安全。因此，大量的研究者通過(guò)將計(jì)算機(jī)輔助診斷的方法對(duì)病人的病情進(jìn)行診斷，并且從研究實(shí)驗(yàn)來(lái)看，計(jì)算機(jī)輔助診斷的方法具有較高的準(zhǔn)確性、敏感性和特異性。

3.1 傳統(tǒng)人工智能方法

周珂等[15]利用MRI技術(shù)以及VBM-DATEL（基于體素的形態(tài)學(xué)測(cè)量-基于指數(shù)分布的微分解剖解析）方法對(duì)阿爾茨海默氏癥患者、輕度認(rèn)知障礙（MCI）患者以及正常人對(duì)照組進(jìn)行實(shí)驗(yàn)，其中AD患者14例、MCI患者21例、健康對(duì)照者23名，實(shí)驗(yàn)在MATLAB軟件下進(jìn)行。實(shí)驗(yàn)結(jié)果表明該結(jié)果與臨床研究的報(bào)道基本一致，進(jìn)一步證明了DARTEL方法的有效性。

劉佳超[16]基于腦部核磁共振成像數(shù)據(jù)，提出了利用相關(guān)分析法和貝葉斯網(wǎng)絡(luò)模型法研究阿爾茨海默氏癥病人和正常人的腦結(jié)構(gòu)網(wǎng)絡(luò)。實(shí)驗(yàn)首先將兩組數(shù)據(jù)進(jìn)行預(yù)處理，將腦區(qū)的體素平均值作為統(tǒng)計(jì)分析的輸入變量；然后分別對(duì)兩組數(shù)據(jù)進(jìn)行組內(nèi)相關(guān)性分析和組間的相關(guān)性分析；最后對(duì)兩組數(shù)據(jù)分別構(gòu)造貝葉斯網(wǎng)絡(luò)模型，并做了組間差異的檢驗(yàn)和對(duì)比分析。實(shí)驗(yàn)結(jié)果表明所提出的方法與核磁共振圖像分析中得出的結(jié)果有一定的共通之處，并且符合病理學(xué)的解釋，這也證明了文中提出方法的合理性和可靠性。

李逸塵[17]提出了基于多模態(tài)神經(jīng)影像的CAD方法，來(lái)對(duì)阿爾茨海默氏癥患者進(jìn)行診斷檢測(cè)，實(shí)驗(yàn)首先對(duì)原始圖像進(jìn)行預(yù)處理，解決分辨率、圖像尺寸、相對(duì)位置等不一致的問(wèn)題；然后根據(jù)基于ROI特征提取的方法對(duì)原始特征使用耦合特征表達(dá)和稀疏特征選擇的方法，計(jì)算特征之間Pearson相關(guān)系數(shù)，表達(dá)ROI間的互聯(lián)信息；其次使用耦合的Boosting算法對(duì)這種疾病進(jìn)行分類。該方法在多模態(tài)數(shù)據(jù)的AD和正常對(duì)照組（NC）分類準(zhǔn)確率高達(dá)98.1%，與單模態(tài)數(shù)據(jù)和其他傳統(tǒng)方法相比具有明顯的優(yōu)勢(shì)。但是研究中MCI（輕度認(rèn)知功能障礙）與AD或NC的分類效果不太好。

Canisius[18]通過(guò)隨機(jī)森林算法對(duì)MRI圖像數(shù)據(jù)進(jìn)行分析，以達(dá)到對(duì)AD疾病的診斷。隨機(jī)森林算法能夠從MRI的高維數(shù)據(jù)中學(xué)到低維特征和表達(dá)。實(shí)驗(yàn)使用AD、MCI以及NC圖像數(shù)據(jù)各64、103、71例。實(shí)驗(yàn)中，AD/NC組準(zhǔn)確率為93.25%，MCI/AD組準(zhǔn)確率為88.73%，MCI/NC組準(zhǔn)確率為81.45%。實(shí)驗(yàn)結(jié)果與文中列出的其他方法相比具有一定的優(yōu)勢(shì)。

王磊等[19]提出了一種基于統(tǒng)計(jì)學(xué)紋理特征的阿爾茨海默氏癥的診斷方法，實(shí)驗(yàn)通過(guò)使用基于統(tǒng)計(jì)學(xué)理論的紋理分析的方法，利用灰度共生矩陣和游程長(zhǎng)矩陣來(lái)提取AD患者M(jìn)R圖像上重要區(qū)域的紋理特征參數(shù)，首先從實(shí)驗(yàn)數(shù)據(jù)集中所有圖像的ROI共提取了64個(gè)統(tǒng)計(jì)紋理特征參數(shù)，之后根據(jù)Fisher系數(shù)選擇了12個(gè)紋理特征參數(shù)作為實(shí)驗(yàn)中所使用的有效參數(shù)，然后對(duì)AD患者和HC對(duì)照組進(jìn)行分類識(shí)別。研究結(jié)果表明，使用該方法和Fisher判別分析法得到的識(shí)別率最高達(dá)到90.12%，但是在參數(shù)選擇的過(guò)程中，有可能被丟失部分重要的特征信息從而影響疾病診斷的準(zhǔn)確性。

朱旭艷[20]提出了一種基于圖像信息融合的AD疾病計(jì)算機(jī)輔助診斷算法，實(shí)驗(yàn)中AD和HC數(shù)據(jù)共87個(gè)，針對(duì)實(shí)驗(yàn)數(shù)據(jù)，作者首先利用像素級(jí)融合中的加權(quán)平均法對(duì)MRI和PET 3D圖像進(jìn)行融合，然后利用圖像間配準(zhǔn)的形變場(chǎng)提取MRI圖像特征，最后使用支持向量機(jī)的方法對(duì)提取的樣本特征進(jìn)行分類，并使用交叉驗(yàn)證的方法對(duì)分類結(jié)果進(jìn)行評(píng)估。實(shí)驗(yàn)對(duì)腦部34個(gè)大腦皮層分區(qū)分類，結(jié)果顯示對(duì)內(nèi)嗅區(qū)皮質(zhì)區(qū)域分類準(zhǔn)確率最高為94.25%。雖然實(shí)驗(yàn)取得了較好的準(zhǔn)確率，但是時(shí)間耗費(fèi)比較大，特征維度的降低仍值得深入的研究。

Nayak等[21]提出了一種有效的病腦檢測(cè)方法，克服了類似小波熵的特征提取方法，類似前饋神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的分類器等存在的限制與不足。該方法使用二維離散小波變換的方法提取特征，然后結(jié)合改進(jìn)的粒子群優(yōu)化和極限學(xué)習(xí)機(jī)（MPSO-ELM），對(duì)病腦圖像進(jìn)行檢測(cè)。改進(jìn)的粒子群優(yōu)化用來(lái)優(yōu)化單隱層前饋神經(jīng)網(wǎng)絡(luò)的隱層結(jié)點(diǎn)參數(shù)（輸入權(quán)值和隱層的偏置項(xiàng)），實(shí)驗(yàn)中的輸出權(quán)值由分析后得到。實(shí)驗(yàn)結(jié)果表明相比于傳統(tǒng)的ELM-BPNN分類方法，MPSO-ELM算法能夠得到更高的分類精度。

楊寧等[22]在MRI的前提下，提出了一種基于張量法的AD腦圖像分類方法。實(shí)驗(yàn)采集了70例AD患者、112例MCI患者和70例NC腦部圖像，通過(guò)提取腦灰質(zhì)個(gè)體素的灰度，得到三階灰度張量；然后通過(guò)張量的獨(dú)立成分分析得到三階灰度張量的獨(dú)立成分。通過(guò)將張量特征轉(zhuǎn)化為向量特征來(lái)降低數(shù)據(jù)維數(shù)，然后利用遞歸特征取消法得到有效的主要特征，該分類系統(tǒng)采用7折交叉驗(yàn)證的方法進(jìn)行訓(xùn)練測(cè)試。從實(shí)驗(yàn)結(jié)果可以得到，AD/NC的分類正確率為99.29%，敏感度為98.57%，特異性為100.00%；AD/MCI的分類正確率為91.39%，敏感度為80.95%，特異性為97.92%；MCI/NC的分類正確率為89.38%，敏感度為95.24%，特異性為80.00%。

龐宇等[23]在對(duì)顱內(nèi)圖像進(jìn)行處理分析時(shí)，根據(jù)Ahmed等人[24]提出的FCM_S（FCM_Spatial）算法，在此基礎(chǔ)上加入了空間距離因素進(jìn)行實(shí)驗(yàn)，這種方法有效抑制了噪聲并降低了該方法的時(shí)間復(fù)雜度。實(shí)驗(yàn)中對(duì)顱內(nèi)圖像分別加入10%的高斯噪聲和椒鹽噪聲，文中分別針對(duì)標(biāo)準(zhǔn)FCM、FCM_S和作者提出的FCM_SPW算法進(jìn)行了實(shí)驗(yàn)，結(jié)果表明文中提出的方法對(duì)兩種噪聲都有著很好的抑制作用，并且該方法的時(shí)間復(fù)雜度較低，適合于大量數(shù)據(jù)的運(yùn)算，但是這種方法所進(jìn)行的實(shí)驗(yàn)較為簡(jiǎn)單，泛化能力較弱。

欒信海[25]實(shí)現(xiàn)了多種不同的算法并對(duì)結(jié)果進(jìn)行了分析，首先使用Level Set對(duì)腫瘤進(jìn)行分割的改進(jìn)方法找到初始輪廓，并在加入了形態(tài)學(xué)的修正之后得到最終結(jié)果；然后使用模糊C均值（FCM）聚類方法將同一簇相似度最大、不同簇相似度最小的類別進(jìn)行劃分，從而得到腫瘤的分割結(jié)果；最后基于差值變換的閾值分析利用MRI成像特點(diǎn)對(duì)T1和T2加權(quán)像進(jìn)行一定的變換，使得不同組織之間的信號(hào)對(duì)比度更強(qiáng)；FCM與水平集結(jié)合的算法可以提高尋找的準(zhǔn)確度和穩(wěn)定度，減少實(shí)驗(yàn)的時(shí)間消耗。但是實(shí)驗(yàn)過(guò)程中的手工操作難免會(huì)浪費(fèi)人力資源。

Nayak等[26]采用一種簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)（SPCNN）進(jìn)行ROI分割，并使用快速離散曲波變換（FDCT）方法進(jìn)行特征提取，然后利用PCA+LDA方法進(jìn)行特征降維，最后引入概率神經(jīng)網(wǎng)絡(luò)（PNN）對(duì)病腦圖像進(jìn)行病理和健康的二分類。使用該方法進(jìn)行病腦分類時(shí)，在不同階段需要調(diào)整的參數(shù)數(shù)量明顯減少，實(shí)驗(yàn)精度更高，學(xué)習(xí)速度優(yōu)于文中的其他算法。

Jha等[27]利用維納濾波降噪的新模型，使用二維離散小波（2D-DWT）進(jìn)行特征提取，概率主成分分析（PPCA）進(jìn)行降維，然后采用基于K近鄰（KNN）算法的隨機(jī)子空間集成分類器（RSE）對(duì)病腦圖像進(jìn)行病理和正常的二分類。實(shí)驗(yàn)基于5×5交叉驗(yàn)證，分類準(zhǔn)確度、靈敏度、特異性均優(yōu)于文中的其他算法。

Yang[28]首先在二元樹(shù)復(fù)小波變換（DTCWT）的基礎(chǔ)上進(jìn)行s級(jí)分解，進(jìn)而從每個(gè)子帶獲得12個(gè)方差和熵的特征，然后，作者使用支持向量機(jī)（SVM）及其變體：廣義特征值近似支持向量機(jī)（GEPSVM）和雙支持向量機(jī)（TSVM）。實(shí)驗(yàn)結(jié)果表明使用雙支持向量機(jī)的方法取得的平均準(zhǔn)確率高達(dá)99.57%，優(yōu)于文中提出的其他方法。

從表1中可見(jiàn)病理腦檢測(cè)的傳統(tǒng)方法仍有很多的不足，主要體現(xiàn)在：（1）需要手動(dòng)提取特征，這可能造成部分重要信息的丟失，并且對(duì)人工的要求較高，在臨床診斷中的適用性不強(qiáng)；（2）只能對(duì)病理腦圖像進(jìn)行二分類，而不能同時(shí)檢測(cè)出不同類型的疾病，對(duì)于當(dāng)前仍未發(fā)現(xiàn)的疾病來(lái)說(shuō)沒(méi)有任何價(jià)值和意義；（3）實(shí)驗(yàn)采用的數(shù)據(jù)量相對(duì)較少，實(shí)驗(yàn)的泛化能力不強(qiáng)。

表1 基于傳統(tǒng)方法的腦部疾病診斷方法比較

3.2 深度學(xué)習(xí)方法

針對(duì)傳統(tǒng)病理腦檢測(cè)方法上存在的不足，研究者們深入研究深度學(xué)習(xí)方法，并發(fā)現(xiàn)它不僅能夠自動(dòng)提取出有利于圖像識(shí)別的圖像數(shù)據(jù)的特征，對(duì)數(shù)據(jù)集中的病腦數(shù)據(jù)同時(shí)進(jìn)行多分類，而且對(duì)于大量的圖像數(shù)據(jù)也能夠同時(shí)進(jìn)行處理，通過(guò)大量的訓(xùn)練數(shù)據(jù)來(lái)學(xué)習(xí)更加抽象的深層特征，并由此提升分類或者預(yù)測(cè)的準(zhǔn)確性，得到的實(shí)驗(yàn)準(zhǔn)確率較高[29-30]。

Jia等[31]采用堆疊式稀疏自編碼器（SSAE）的方法，對(duì)具有聽(tīng)力損失的患者腦圖像進(jìn)行分類，將其分為左耳聽(tīng)力損失、右耳聽(tīng)力損失以及正常聽(tīng)力三類。在訓(xùn)練數(shù)據(jù)集之前，作者采用數(shù)據(jù)增強(qiáng)（DA）的方法擴(kuò)大數(shù)據(jù)集，使得不同類別腦圖像的分布更加均勻。文中使用的方法能夠自動(dòng)學(xué)習(xí)特征，并使用softmax分類器對(duì)其進(jìn)行較高準(zhǔn)確度的分類，實(shí)驗(yàn)結(jié)果表明該方法高于文中列出的其他算法。

惠瑞等[32]利用深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)的方法，對(duì)腦影像進(jìn)行分類，從而達(dá)到提高腦影像智能化分類性能的目的，為臨床上檢查阿爾茨海默癥疾病提供便利。該實(shí)驗(yàn)的數(shù)據(jù)集包括AD、器質(zhì)性病變（如腦腫瘤、腦出血等）和正常老年化人群的數(shù)據(jù)，實(shí)驗(yàn)結(jié)果顯示，該方法對(duì)AD疾病的檢測(cè)準(zhǔn)確率高達(dá)84.2%，該實(shí)驗(yàn)也為檢測(cè)AD疾病提供了新的方法。但是該方法對(duì)實(shí)驗(yàn)中腦器質(zhì)性病變類疾病的檢測(cè)準(zhǔn)確率不高。

Poole等[33]提出一種三維卷積神經(jīng)網(wǎng)絡(luò)（3D-CNNs）的方法來(lái)檢測(cè)大腦中微妙的中風(fēng)跡象，實(shí)驗(yàn)將122個(gè)CT圖像平均分成訓(xùn)練集和測(cè)試集來(lái)驗(yàn)證該方法的有效性，實(shí)驗(yàn)結(jié)果表明該方法的ROC曲線精確度為99.6%，召回率為56.3%。雖然該方法還沒(méi)有達(dá)到常規(guī)臨床應(yīng)用的水平，但實(shí)驗(yàn)結(jié)果仍令人鼓舞。

馬宗帥[34]基于受限玻爾茲曼機(jī)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)，提出了一種腦血管疾病的預(yù)測(cè)方法，實(shí)驗(yàn)中使用的數(shù)據(jù)集中各個(gè)屬性的平均值和整個(gè)數(shù)據(jù)集的標(biāo)準(zhǔn)差是通過(guò)使用Z-score標(biāo)準(zhǔn)化方法計(jì)算得到，從而實(shí)現(xiàn)對(duì)腦血管疾病數(shù)據(jù)的歸一化處理，達(dá)到消除指標(biāo)之間的互相影響的目的；然后，構(gòu)建基于DBN的腦血管疾病模型，使用逐層貪婪學(xué)習(xí)算法進(jìn)行訓(xùn)練，設(shè)置輸入結(jié)點(diǎn)、隱層層數(shù)及各隱層結(jié)點(diǎn)的個(gè)數(shù)，經(jīng)過(guò)多次實(shí)驗(yàn)，得到最優(yōu)參數(shù)，并根據(jù)這些參數(shù)得到一個(gè)最終的DBN預(yù)測(cè)模型；實(shí)驗(yàn)結(jié)果與BP模型進(jìn)行比較得到，文中使用的模型平均準(zhǔn)確率高于BP模型得到的準(zhǔn)確率。但是實(shí)驗(yàn)所使用的數(shù)據(jù)量仍然較少，不能達(dá)到更加具有普遍性的預(yù)測(cè)效果。

程俊龍等[35]在對(duì)腦部核磁圖像進(jìn)行小波去噪和直方圖均衡化預(yù)處理之后，分別采用棧式自編碼（SAE）神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)（CNN）兩種深度學(xué)習(xí)方法提取圖像的特征，從而構(gòu)建了特征模型；使用模糊C均值聚類算法（FCM）對(duì)其進(jìn)行粗分割，然后將粗分割結(jié)果中的灰質(zhì)和白質(zhì)部分區(qū)域作為訓(xùn)練集，使用支持向量機(jī)進(jìn)行分類器訓(xùn)練，最后對(duì)整個(gè)腦部區(qū)域進(jìn)行分類，最終得到了精確的腦部灰質(zhì)和白質(zhì)區(qū)域。實(shí)驗(yàn)結(jié)果表明，雖然這兩種方法在特征提取中都可以取得較為理想的分割結(jié)果，但是與SAE相比，CNN方法在分割效果和分割效率上都更具有優(yōu)越性。

Arezou等[36]實(shí)現(xiàn)了特征融合（FF）與稀疏降噪自編碼器（SDAE）相結(jié)合的方法來(lái)揭示阿爾茨海默氏癥的不同階段。通過(guò)堆疊自編碼器進(jìn)行高層特征提取，實(shí)驗(yàn)數(shù)據(jù)包括晚期輕度認(rèn)知障礙、早期輕度認(rèn)知障礙和正常對(duì)照組，正常對(duì)照組，采用高層和低層特征融合的多項(xiàng)式logistic回歸對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類，結(jié)果表明基于特征融合的SDAE具有較高的準(zhǔn)確度和召回率。

楊星[37]提出了一種基于RBM和反向傳播（BP）算法的腦血管疾病的診斷方法，實(shí)驗(yàn)通過(guò)RBM的構(gòu)建與堆疊深度置信網(wǎng)絡(luò)的建立，在最后一層使用BP算法實(shí)現(xiàn)整個(gè)網(wǎng)絡(luò)的微調(diào)，最終生成DBN模型。實(shí)驗(yàn)數(shù)據(jù)來(lái)自于腦血管病醫(yī)聯(lián)體云平臺(tái)，對(duì)數(shù)據(jù)集中所有2 970例入組人群采用隨機(jī)抽取數(shù)據(jù)樣本的方式，將其中2/3進(jìn)行模型訓(xùn)練，剩余1/3用來(lái)對(duì)模型的性能進(jìn)行評(píng)價(jià)，訓(xùn)練數(shù)據(jù)包含1 980個(gè)患者的31維輸入特征和5維目標(biāo)特征，測(cè)試數(shù)據(jù)包含990個(gè)患者的31維輸入特征和5維目標(biāo)特征。實(shí)驗(yàn)的最優(yōu)預(yù)測(cè)準(zhǔn)確率為82.1%，而對(duì)比算法的最優(yōu)準(zhǔn)確率僅為74.17%。但是，對(duì)非結(jié)構(gòu)化數(shù)據(jù)的相關(guān)處理仍值得研究。

Sui[38]提出了一種基于漏糾正線性單元（L-ReLU）和最大池化的八層卷積神經(jīng)網(wǎng)絡(luò)的AD疾病分類方法，實(shí)驗(yàn)表明該方法的性能優(yōu)于其他方法，該方法實(shí)驗(yàn)靈敏度為97.96%，特異性為97.35%，準(zhǔn)確度為97.65%，與實(shí)驗(yàn)中對(duì)比的其他算法相比，該方法提高了約5%的精確度。但是該算法中的超參數(shù)是通過(guò)實(shí)驗(yàn)獲得的，整體時(shí)間復(fù)雜度較高。

秦臻等[39]發(fā)明的一種基于深度學(xué)習(xí)的腦腫瘤分類方法利用Gabor小波變換的方法來(lái)提取腦腫瘤圖像的紋理特征，然后采用堆疊降噪自編碼（SDAE）來(lái)構(gòu)建深度網(wǎng)絡(luò)，利用深度學(xué)習(xí)來(lái)提取更高層的特征，與紋理特征與形狀特征結(jié)合形成最后的特征向量，然后將提取出的特征向量輸入支持向量機(jī)中進(jìn)行訓(xùn)練得到分類器。這一發(fā)明克服了現(xiàn)有腦腫瘤分類方法中的不足，降低了分類錯(cuò)誤率，有利于醫(yī)生在臨床中更加準(zhǔn)確直觀地判斷腫瘤的類型，并制定合適的手術(shù)方案。

林偉銘等[40]針對(duì)阿爾茨海默氏癥會(huì)導(dǎo)致海馬體區(qū)域萎縮的現(xiàn)象，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的識(shí)別方法。實(shí)驗(yàn)數(shù)據(jù)來(lái)自ADNI數(shù)據(jù)庫(kù)中的188位患者和229位正常人的MR腦圖像，在對(duì)圖像進(jìn)行預(yù)處理之后，使用CNN對(duì)圖像數(shù)據(jù)進(jìn)行訓(xùn)練和檢測(cè)，在訓(xùn)練網(wǎng)絡(luò)時(shí)，使用隨機(jī)梯度下降法（SCG）調(diào)整參數(shù)，然后通過(guò)多次十折交叉驗(yàn)證方式的實(shí)驗(yàn)，得到該方法的平均準(zhǔn)確率為88.02%。文中提出的算法相比其他算法，其準(zhǔn)確率均提高了5個(gè)百分點(diǎn)以上。文章雖然得到了與該類疾病相關(guān)的海馬體形態(tài)特征，但卻沒(méi)有分析這些海馬體形態(tài)特征，并利用可視化技術(shù)為病理學(xué)研究提供參考價(jià)值。

Yota等[41]提出了使用BING對(duì)象估計(jì)的方法來(lái)分割單元區(qū)域，利用基于深度殘余學(xué)習(xí)的深度卷積神經(jīng)網(wǎng)絡(luò)（CNNs）來(lái)對(duì)腦腫瘤圖像進(jìn)行分類。BING是一種目標(biāo)快速檢測(cè)方法，通過(guò)預(yù)訓(xùn)練BING模型來(lái)檢測(cè)腦細(xì)胞，在此基礎(chǔ)上采用一系列后處理方法，如二值化、分水嶺變換等進(jìn)行精細(xì)分割。實(shí)驗(yàn)證明，采用該方法的準(zhǔn)確率較高。

呂鴻蒙等[42]基于增強(qiáng)AlexNet的深度學(xué)習(xí)提出了阿爾茨海默氏癥的診斷方法，實(shí)驗(yàn)數(shù)據(jù)集為從ADNI得到的超過(guò)7萬(wàn)幅MR腦圖像，其中包括AD患者43例、MCI患者113例、HC 148例。然后在改進(jìn)現(xiàn)有AlexNet網(wǎng)絡(luò)模型的基礎(chǔ)上，得到實(shí)驗(yàn)所使用的深度學(xué)習(xí)模型，實(shí)驗(yàn)在大量數(shù)據(jù)集的情況下，耗時(shí)不超過(guò)30 min，在測(cè)試集準(zhǔn)確率上，AD/HC組為96.14%，AD/MCI組為90.52%，MCI/HC為84.80%，AD/MCI/HC組為86.05%，實(shí)驗(yàn)過(guò)程實(shí)現(xiàn)了全自動(dòng)化，可以避免人工篩選造成的誤差。

黃若菡[43]在對(duì)MR圖像進(jìn)行去噪、亮度變換和直方圖處理后，利用堆疊降噪自動(dòng)編碼器對(duì)圖像進(jìn)行分類。實(shí)驗(yàn)數(shù)據(jù)來(lái)自四川華西醫(yī)院10個(gè)真實(shí)腦腫瘤患者的MRI圖像，由于圖像數(shù)據(jù)較大，所以采用Mini-batch方法對(duì)數(shù)據(jù)進(jìn)行批處理，從而降低訓(xùn)練時(shí)間，設(shè)置不同的隱層數(shù)目得到的準(zhǔn)確率最大為98.04%。但是實(shí)驗(yàn)采用的只是灰度特征，沒(méi)有考慮組織紋理等作為網(wǎng)絡(luò)的輸入提取潛在特征，同時(shí)，實(shí)驗(yàn)基于二維的圖像，今后可利用三維圖像，更加直觀地觀察病變位置及形狀。

連偉烯[44]采用了稀疏自編碼器（SAE）的模型來(lái)構(gòu)建圖像檢測(cè)系統(tǒng)，實(shí)現(xiàn)特征的自動(dòng)提取，并將多個(gè)稀疏自動(dòng)編碼器進(jìn)行堆疊，并連接形成深度學(xué)習(xí)網(wǎng)絡(luò)，在完成無(wú)監(jiān)督的自動(dòng)特征提取之后，分類器基于BP算法，最后實(shí)現(xiàn)對(duì)圖像的分類。實(shí)驗(yàn)數(shù)據(jù)來(lái)自十組真實(shí)病人的大腦MRI圖像，在設(shè)置隱含層層數(shù)分別為3、4、5時(shí)，結(jié)果準(zhǔn)確率分別為91.59%、93.16%、93.33%。但是實(shí)驗(yàn)采集的數(shù)據(jù)相對(duì)較少，實(shí)驗(yàn)次數(shù)也較少，所以利用該方法進(jìn)行的實(shí)驗(yàn)有待于進(jìn)一步研究。

從表2中，可見(jiàn)深度學(xué)習(xí)在多種疾病的MRI圖像診斷方面具有較高正確率，并且在處理大量數(shù)據(jù)時(shí)，相較于傳統(tǒng)方法有很大的進(jìn)步，除此以外，深度學(xué)習(xí)在醫(yī)學(xué)圖像處理中的泛化能力較強(qiáng)。

表2 基于深度學(xué)習(xí)的疾病診斷分析與比較

3.3 不同方法的性能比較

在對(duì)疾病進(jìn)行診斷及治療時(shí)，計(jì)算機(jī)輔助的方法解決了人工診斷的缺點(diǎn)，對(duì)于傳統(tǒng)的CAD方法以及最近熱點(diǎn)的DL方法，作如表3所示的分析與比較。

表3 傳統(tǒng)CAD方法和深度學(xué)習(xí)方法的比較

傳統(tǒng)CAD方法的基本流程如圖2所示，基于DL的CAD方法基本流程如圖3所示，從傳統(tǒng)和深度學(xué)習(xí)兩種CAD方法的基本流程來(lái)看，可得傳統(tǒng)CAD方法雖然步驟簡(jiǎn)單，但是需要人工操作的加入，而DL方法只需要對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，該方法對(duì)于不同的輸入數(shù)據(jù)不需要再次進(jìn)行特征提取和選擇。

圖2 基于CAD的傳統(tǒng)人工智能方法的基本流程

圖3 基于CAD的深度學(xué)習(xí)方法基本流程

4 總結(jié)及今后研究重點(diǎn)

醫(yī)學(xué)影像是在當(dāng)前階段醫(yī)療疾病診斷過(guò)程中的重要方法和參考依據(jù)，隨著計(jì)算機(jī)技術(shù)在醫(yī)學(xué)上的應(yīng)用越來(lái)越廣泛，傳統(tǒng)的人工診斷方法漸漸被淘汰，而MRI圖像在計(jì)算機(jī)輔助診斷方法中的地位也越來(lái)越重要，因此，本文主要針對(duì)MRI醫(yī)學(xué)成像技術(shù)和基于CAD方法的病腦圖像分類性能進(jìn)行比較與分析。本文的主要工作包括：（1）簡(jiǎn)單介紹了醫(yī)學(xué)影像診斷的發(fā)展過(guò)程，并對(duì)存在的問(wèn)題進(jìn)行了分析；（2）介紹了MRI技術(shù)在醫(yī)學(xué)診斷中的重要作用以及應(yīng)用性能；（3）對(duì)傳統(tǒng)CAD方法在病理腦疾病診斷方面的實(shí)驗(yàn)進(jìn)行了分析；（4）基于當(dāng)前較為火熱的深度學(xué)習(xí)，研究者對(duì)疾病的診斷所提出的方法進(jìn)行分析；（5）對(duì)傳統(tǒng)及深度學(xué)習(xí)的方法進(jìn)行了比較。更多關(guān)于病腦檢測(cè)的方法，可參見(jiàn)2017年、2018年的兩篇專著[45-46]。

在文獻(xiàn)分析中，深度學(xué)習(xí)在病理腦疾病診斷方面的性能更為優(yōu)越，但是也存在著一些問(wèn)題，比如：（1）對(duì)計(jì)算機(jī)配置要求較高；（2）對(duì)數(shù)據(jù)量的要求也較高，只有數(shù)據(jù)較多的情況下實(shí)驗(yàn)性能才好；（3）實(shí)驗(yàn)所消耗的時(shí)間較多，這些問(wèn)題也是值得日后深入研究與探討的內(nèi)容。

因此，日后研究重點(diǎn)應(yīng)該放在基于深度學(xué)習(xí)的病腦檢測(cè)當(dāng)中，應(yīng)努力查找方法來(lái)提高算法的時(shí)間復(fù)雜度。由于當(dāng)前基于深度學(xué)習(xí)的病腦檢測(cè)方法泛化能力較弱，今后也需要深入算法的研究，使得算法能夠?qū)Σ煌膊《寄苓M(jìn)行診斷，同時(shí)提高病腦檢測(cè)方法的臨床應(yīng)用水平。

參考文獻(xiàn)：

[1]張于，程偉.中西醫(yī)治療阿爾茲海默病的研究現(xiàn)狀[J].中醫(yī)臨床研究，2012，4（13）：115-117.

[2]李潤(rùn)輝.阿爾茲海默病的研究現(xiàn)狀[J].沈陽(yáng)醫(yī)學(xué)院學(xué)報(bào)，2013，15（3）：129-133.

[3]夏淳，張宜友，翁宇清.腦出血的流行病學(xué)研究進(jìn)展[J].中國(guó)預(yù)防醫(yī)學(xué)雜志，2010，11（10）：1075-1077.

[4]Panchbhai A.Wilhelm Conrad R?ntgen and the discovery of X-rays：Revisited after centennial[J].Journal of Indian Academy of Oral Medicine and Radiology，2015，27（1）：90.

[5]王駿，周桔.多排探測(cè)器CT成像技術(shù)[J].醫(yī)療衛(wèi)生裝備，2006，27（2）：52-54.

[6]Menikou G，Yiannakou M，Yiallouras C，et al.MRI-compatible breast/rib phantom for evaluating ultrasonic thermal exposures[J].Int J Med Robot，2018，14（1）：1-12.

[7]蘆鉞，鄭義.顱腦超聲成像在窒息新生兒顱腦疾病的應(yīng)用分析[J].世界最新醫(yī)學(xué)信息文摘，2017，17（87）：23-24.

[8]Qin Y，Li G L，Xu X H，et al.Brain structure alterations and cognitive impairment following repetitive mild head impact：An in vivo MRI and behavioral study in rat[J].Behav Brain Res，2018，340：41-48.

[9]裴晴.核磁共振成像技術(shù)在顱腦疾病診斷中的應(yīng)用[J].基層醫(yī)學(xué)論壇，2015，19（11）：1499-1500.

[10]潘鶴松.核磁共振成像技術(shù)在顱腦疾病診斷中的應(yīng)用[J].醫(yī)學(xué)影像，2015，15（42）：99.

[11]張雪林，黃其流.顱腦疾病MRI與X-CT診斷價(jià)值的比較[J].中風(fēng)與神經(jīng)疾病，1989，6（3）：131-133.

[12]王利.腦核磁共振圖像分割技術(shù)研究[D].南京：南京理工大學(xué)，2010.

[13]吳海遠(yuǎn).核磁共振血管成像對(duì)腦血管疾病的臨床診斷及應(yīng)用價(jià)值[J].醫(yī)學(xué)影像，2015，15（16）：128.

[14]董會(huì)卿，顏振瀛，李坤成，等.MRI線性測(cè)量局部腦萎縮對(duì)早期阿爾茲海默病的診斷意義[J].中華神經(jīng)科雜志，1998，31（2）：92-94.

[15]周珂，蔡潔，熊剛強(qiáng).VBM-DARTEL方法在阿爾茨海默癥MRI圖像分析中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（3）：187-190.

[16]劉佳超.基于貝葉斯網(wǎng)絡(luò)的腦結(jié)構(gòu)網(wǎng)絡(luò)研究及其在阿爾茨海默氏癥的應(yīng)用[D].北京：北京師范大學(xué)，2011.

[17]李逸塵.基于多模態(tài)神經(jīng)影像的阿爾茲海默癥計(jì)算機(jī)診斷方法研究[D].福建廈門(mén)：廈門(mén)大學(xué)，2016.

[18]Canisius G.基于隨機(jī)森林的阿爾茲海默癥計(jì)算機(jī)輔助診斷算法研究[D].福建廈門(mén)：廈門(mén)大學(xué)，2016.

[19]王磊，童隆正，周曉霞，等.基于統(tǒng)計(jì)學(xué)紋理特征的阿爾茲海默病MR圖像研究[J].北京生物醫(yī)學(xué)工程，2009，28（1）：14-16.

[20]朱旭艷.基于圖像信息融合的阿爾茨海默氏癥計(jì)算機(jī)輔助診斷算法研究[D].長(zhǎng)沙：湖南大學(xué)，2013.

[21]Nayak D R，Dash R，Majhi B.Discrete ripplet-II transform and modified PSO based improved evolutionary extreme learning machine for pathological brain detec-tion[J].Neurocomputing，2017，282：232-247.

[22]楊寧，徐盼盼，劉佩嘉，等.基于張量法的阿爾茲海默癥腦圖像分類[J].中山大學(xué)學(xué)報(bào)，2017，56（2）：40-47.

[23]龐宇，霍修坤，潘麗麗，等.一種改進(jìn)的FCM算法在腦出血圖像中的應(yīng)用[J].電子技術(shù)，2011，38（6）：45-47.

[24]Ahmed M N，Yamany S M，Mohamed N.A modified fuzzy C-means algorithm for bias field estimation and segmentationofMRIdata[J].IEEE Transactionson Medical Imaging，2002，21（3）：193-199.

[25]欒信海.MRI腦部疾病計(jì)算機(jī)輔助診斷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].沈陽(yáng)：東北大學(xué)，2009.

[26]Nayak D R，Dash R，Majhi B，et al.Automated pathological brain detection system：A fast discrete curvelet transform and probabilistic neural network based approach[J].Expert Systems with Applications，2017，88：152-164.

[27]Jha D，Kim J I，Choi M R，et al.Pathological brain detection using weiner filtering，2D-discrete wavelet transform，probabilistic PCA，and random subspace ensemble classifier[J].Comput Intell Neurosci，2017，8：1-11.

[28]Yang M.Dual-tree complex wavelet transform and twin support vector machine for pathological brain detection[J].Applied Sciences，2016，6（6）.

[29]侯宇昆.深度學(xué)習(xí)在圖像處理領(lǐng)域的研究[J].信息系統(tǒng)工程，2017（7）：163.

[30]陸家發(fā)，張國(guó)明，陳安琪.基于深度學(xué)習(xí)的疾病診斷[J].醫(yī)學(xué)信息學(xué)雜志，2017，38（4）：39-43.

[31]Jia W，Yang M，Wang S H.Three-category classification of magnetic resonance hearing loss images based on deep autoencoder[J].J Med Syst，2017，41（10）：165.

[32]惠瑞，高小紅，田增民.基于深度學(xué)習(xí)的CT腦影像分類方法用于阿爾茨海默病的初步篩查[J].中國(guó)醫(yī)療設(shè)備，2017（12）：15-19.

[33]Poole I，Muir K，Beveridge E，et al.Thrombus detection in CT brain scans using a convolutional neural network[C]//Int Conf on Bioimaging，2017：24-33.

[34]馬宗帥.基于深度學(xué)習(xí)的心腦血管疾病預(yù)測(cè)方法研究[D].西安：西安建筑科技大學(xué)，2015.

[35]程俊龍，趙越.基于深度學(xué)習(xí)的腦部核磁圖像分割算法[J].輕工科技，2017（8）：93-97.

[36]Arezou M K，Mo J，Subhashie W.Feature fusion for denoising and sparse autoencoders：Application to neuroimaging data[C]//IEEE International Conference on Machine Learning and Applications，2017：605-610.

[37]楊星.基于深度置信網(wǎng)絡(luò)的腦血管病風(fēng)險(xiǎn)預(yù)警研究[D].北京：北京交通大學(xué)，2016.

[38]Sui Y.Classification of Alzheimer’s disease based on eightlayer convolutional neural network with leaky rectified linear unit and max pooling[J].Journal of Medical Systems，2018，42（5）.

[39]秦臻，楊曉明，藍(lán)天，等.一種基于深度學(xué)習(xí)的腦腫瘤分類方法：中國(guó)，CN104834943A[P].2015-08-12.

[40]林偉銘，高欽泉，杜民.卷積神經(jīng)網(wǎng)絡(luò)診斷阿爾茲海默癥的方法[J].計(jì)算機(jī)應(yīng)用，2017，37（12）：1-5.

[41]Yota I，Kiyotada W，Kota A，et al.Brain tumor classification of microscopy images using deep residual learning[C]//SPIE BioPhotonics Australasia Conference，2016.

[42]呂鴻蒙，趙地，池學(xué)斌.基于增強(qiáng)AlexNet的深度學(xué)習(xí)的阿爾茨海默病的早期診斷[J].計(jì)算機(jī)科學(xué)，2017，44（6A）：50-60.

[43]黃若菡.腦腫瘤的計(jì)算機(jī)輔助檢測(cè)[D].成都：電子科技大學(xué)，2016.

[44]連偉烯.基于SAE的MRI圖像檢索系統(tǒng)[J].電子世界，2016（5）：160-161.

[45]Lu S.Pathological brain detection by advanced extreme learning machines[M].Germany：Lambert Academic Publishing，2017.

[46]Wang S H.Pathological brain detection[M].Germany：Springer，2018.