基于对抗图自编码的阿尔兹海默症脑网络分析

阿尔兹海默症(Alzheimer’s Disease, AD)的不同阶段会发生结构或功能连接的改变。这些基于连接的特征可以大大提高疾病诊断的准确性，并能给出疾病的成因解释。如何有效融合结构和功能影像来挖掘不同模态之间的互补信息仍然是一个挑战。本文提出了一种对抗图自编码器模型，来提取脑连接特征用于AD分析。具体地说，将扩散张量成像(Diffusion Tensor Imaging, DTI)和功能磁共振成像(functional Magnetic Resonance Imaging, fMRI)相结合，构建每个受试者的图结构数据。图编码器(生成器)将图数据转换为潜在表征。同时，利用fMRI数据估计潜在分布，对图编码器进行正则化约束，以保证良好的潜在表征。为了保证潜在表征的稳定性，图解码器从潜在表征中恢复图数据。最后，将潜在表征送给分类器，使其具有疾病类别信息。实验结果表明，该模型比其他相关模型具有更高的预测精度。总体而言，该方法可以重建AD早期的结构–功能连接，分析异常的脑连接并用于AD的早期诊疗研究。

阿尔兹海默症(Alzheimer’s Disease, AD)是老年人最常见的一种神经退行性疾病，其产生机理是大脑神经细胞的β 淀粉样蛋白沉积[1]。这种疾病在病理改变上表现为记忆力下降、失语等脑功能下降[2]。目前尚无治疗AD 的有效药物，但是AD 的早期阶段即轻度认知障碍(Mild Cognition Impairment, MCI) [3]可以通过机器学习方法进行早期诊断，并通过适当的干预措施达到延缓或治愈疾病的目的。

近年来，早期AD 患者脑部结构连接或者功能连接的异常变化在脑神经科学中被发现。例如，功能磁共振成像(functional Magnetic Resonance Imaging, fMRI) [4]揭示了在MCI 阶段，脑部功能连接增强，弥散张量成像(Diffusion Tensor Imaging, DTI) [5]反映了在AD 阶段，脑部解剖区域间结构连接减弱或消失。

随着人工智能技术在医学图像分析中的广泛应用[6]-[13]， 机器学习模型[14] [15]可以提高AD 早期诊断的效率和精度，但是当前的研究无法有效利用结构和功能成像数据对复杂脑网路特征进行刻画，难以挖掘疾病相关的异常脑连接，不利于AD 患者的早期诊疗。基于图网络分析的方法在许多领域获得了广泛的应用[16]-[21]，该方法有利于分析AD 患者的脑网络特征，进而为疾病的早期诊断提供生物标志物。

基于上述观察启发，本文提出了一种对抗图自编码器学习网络模型用于AD 早期预测和分析。它通过图生成器学习结构和功能连接的互补特征，并通过估算分布对隐层表征进行分布约束，挖掘潜在的异常脑连接特征，最后，通过图解码器重构图结构数据，使模型具有鲁棒性。本模型对AD 进行早期诊断和异常脑连接分析，可以为该类认知疾病的临床早期治疗提供靶点。

2. 相关工作 2.1. AD 诊断与分析 当前的AD 研究集中在单一模态和多模态的诊断和分析。

针对单一模态的医学影像分析， Wang 等人[22]利用DTI 数据构建脑网络结构并提取图拓扑系数特征， 结果表明， AD 组比正常对照组在整体效率和