基于深度学习的帕金森疾病多病程诊断网络模型

帕金森(Parkinson’s Disease, PD)是一种神经退行性疾病。当出现明显临床特征时，超过60%的黑质神经元已经发生不可逆的退化，早期疾病的诊断尤为关键，但疾病早期的诊断存在特异性不强、特征不明显等问题。因此，本文提出一种基于深度学习的帕金森疾病辅助诊断系统。首先，运用图像分割和生成对抗网络对原始图像进行分割和扩容；其次，引入多尺度卷积和注意力机制改进MobileNetV2网络，对PD、正常组以及特征不明显的前驱体的多病程诊断任务中，诊断准确率达到了92.4%，精确度达到91.7%，召回率达到92.4%，模型表现优于其他经典网络模型，且更聚焦帕金森病理学特征区域，具有更准确可靠的临床诊断效能。

帕金森一种在老年人中发病概率较高不可逆的神经退行性疾病，因临床问诊的滞后性以及疾病早期特征微弱、诊断特异性差，疾病前期的诊断一直是研究的热点和难点。PD 病理学的最新研究表明，黑质致密带(Substantia nigra pars compacta, SNpc)是多巴胺能神经元主要缺失的区域[1]， SNpc 神经影像学变化是PD 影像标志物中最具特异性的。

核磁共振成像(Magnetic Resonance Imaging, MRI)利用磁场生成人体的结构图像，能够清晰的展示SNpc 的细微结构形态， 根据黑质核团形态变化判断铁沉积含量， 进而分析疾病严重程度[2]。近些年人工智能技术飞速发展，在医学影像分析中展现出卓越的性能。张巧丽等[3]使用优化的Alxnet 对帕金森、多系统萎缩症和对照组的全脑图像进行诊断， 获得了88%的诊断准确率。

王洋等[4]搭建了一种MRIVGG-Net， 使用预处理后的全脑图片训练并测试网络性能，达到平均87.63%的准确率。使用全脑图片会引入无关特征影响模型的性能。针对这个问题，李伟等[5]提出了一种基于动态曲面模型的3D 分割方法，分割覆盖率平均在0.84 左右，存在一定误差，同时需要专业的解剖先验知识，难以在临床广泛应用。Takahashi, H等[6]期望分割获得了SNpc 的磁化转移成像和神经黑色素值来量化黑质多巴胺能的变性，ROC 曲线下面积表现为0.68 和0.86， 证明以此对PD 进行分期诊断是困难的。

Qureshi 等[7]提出一种模板结合自由轮廓的分割方法，首先使用参数方程生成多个可变形模板，再结合局部自由活动轮廓实现SN 的分割，平均灵敏度达到0.83，Dice 相似系数评分达到0.73。因黑质区域分割存在较大难度，上述研究总体Dice 相似系数和灵敏度不高，接续诊断程序的容错率很低。但分割中脑区域难度较小，分割准确度高[8]，是一种高效、准确、可行的替代方案。

同时，医学图像数据难以获取，会导致小数据集问题广泛存在。张冉等[9]通过提取MRI 扩散张量成像特征实现对正常组与PD 患者组的分类，PD 和正常组各选取了36 例，使用Relief 算法获得了81.94%的分类准确率，AUC 值为0.85，算法表现严重受制于样本规模。研究人员尝试采用翻转、旋转、平移等扩充数据集方法以解决小样本问题，但本质上并未引入更多的特征信息。