脑部医学影像和深度学习是诊断和预测阿尔茨海默病（Alzheimer’s Disease, AD）的重要基础。开云官方网站的蒋明峰教授课题组在AD分类研究中，探索了不同的图像滤波方法和高效的金字塔压缩注意力（Pyramid Squeeze Attention, PSA）机制对模型分类性能的影响。相关研究“Quantifying the Impact of Pyramid Squeeze Attention Mechanism and Filtering Approaches on Alzheimer’s Disease Classification”于2022年8月10日发表在期刊《ComputersinBiologyandMedicine》上，该期刊为中科院二区期刊、JCR Q1，影响因子6.698。

图1.AD诊断的整体结构图

      该论文首先在图像预处理过程中对MRI图像进行配准并去除头骨，然后分别应用中值滤波、高斯模糊滤波和各向异性扩散滤波来获得不同的实验图像；其次将挤压激励（Squeeze and Excitation, SE）机制和金字塔压缩注意力（PSA）机制分别添加到全卷积网络（Fully Convolutional Network,FCN）中以比较两者的模型性能差异，并获取每一个样本相对应的疾病概率图特征信息。此外，在FCN模型的基础上构建了不同类型的多层感知机（Multi-Layer Perceptron, MLP）模型框架，其中MLP-C模型将FCN模型得到的疾病概率图特征信息与每个样本的年龄、性别和简易智力状态量表评分（MMSE）相结合。相应的对比实验表明，结合各向异性扩散滤波和金字塔压缩注意力机制可以使网络学习到丰富的多尺度特征表示，从而增强了模型对AD图像的识别能力，有助于AD的早期诊断和及时干预。

      模型训练方式如图2所示，FCN模型采用了一种对3D-MRI图像随机采样Patch的方法进行训练，并保存最优模型和相应权重。最后用测试集检验最优模型，从而得到FCN模型的分类性能和样本的疾病概率图特征信息。

图2FCN模型随机采样Patch进行训练

      此外，在FCN模型的基础上构建了不同类型的MLP模型进行AD分类研究，如图3所示。其中MLP-A模型表示仅使用FCN模型生成的疾病概率图特征信息进行AD分类；MLP-B模型表示仅使用样本的年龄、性别和MMSE等辅助信息进行AD分类；融合模型MLP-C表示结合FCN模型生成的疾病概率图特征信息和样本的年龄、性别、MMSE等辅助信息进行AD分类。

图3MLP模型结构

      图4展示了阿尔茨海默病（AD）患者和正常认知者（NC）的疾病概率图特征信息，其中前两个样本被临床诊断为AD患者，后两个样本为NC。图4的（a）和（b）分别表示原始FCN模型未加入与加入金字塔压缩注意力机制生成的同一样本相对应的疾病概率图特征信息。红色和蓝色表示大脑局部区域患阿尔茨海默病的风险概率值，两者以0.5为分界线。

      样本的疾病概率图特征信息可以呈现大脑患阿尔茨海默病的高风险区域。图4表明金字塔压缩注意力机制加大了样本AD与NC两者间的风险概率差值，从而增强了模型对AD图像的辨别能力。

（a）原始FCN模型生成的疾病概率图特征信息

（b）FCN模型加入金字塔压缩注意力机制后生成的疾病概率图特征信息

图4金字塔压缩注意力机制对疾病概率图特征信息的影响

      基于上述结果，金字塔压缩注意力（PSA）机制有效提取了多尺度的特征图空间信息，并建立了长距离的通道间的依赖关系。而各向异性扩散滤波遏制了MRI图像中的干扰噪声并最大化保留了图像的边缘特征，有利于模型区分AD与NC图像。本文的分类方法结合了各向异性扩散滤波和金字塔压缩注意力机制，增强了模型对AD图像的识别能力，提高了AD患者早期诊断的准确率。

      论文链接：https://doi.org/10.1016/j.compbiomed.2022.105944