基于Focal Recall Loss的阿尔兹海默症病灶分割模型

目前的阿尔兹海默症病灶分割算法主要以深度分割网络作为主流算法对组织病理区域进行分割，但是这些方法在面临类别不均衡的情况时，整体性能会受少数类的影响而陷入局部最优的情况。针对上述情况，首先，本文提出一种新的语义分割模型，名为Global Attention UNet (GAUNet)，该模型嵌入了全局注意力模块以及组线性层模块对特征空间中的通道信息以及空间信息进行挖掘，从而提高模型的特征表示能力。其次，针对类别不均衡的问题，本文提出一种局部回归损失函数(Focal Recall Loss)，针对每轮次召回情况动态调整各个类别的权重，从而使得模型更关注少数类的类别特征信息。本文所提出的方法在Alzheimer’s Disease Neuroimaging Initiative (ADNI)数据集中对6种组织类别区域(额叶、颞叶、顶叶、海马体、中脑、半卵圆中心)同时进行分割，与当下的模型相比，本文提出的方法在少数类别半卵圆中心的IOU比当前最新方法高出6.19%。

阿尔兹海默症是一种退行性脑部疾病。它是一种神经系统疾病，该疾病会诱发脑部组织萎缩，导致记忆丧失和认知能力下降，对人类的个人和社会生活产生了令人难以置信的负面影响。根据最近的统计数据，现在有超过4680 万人患有痴呆症，4400 万人被诊断为阿尔茨海默病。这个数字在2050 年将增加到1.315 亿[1]。据研究表明，通过观察与AD 相关的神经病理标志物可以有助于观察患者发病程度。在这些AD 相关的标志物中，通常以海马体、中脑等组织区域最能表征阿尔兹海默症的病灶表征性。通过观察这些区域的萎缩程度来判断当前样本的患病严重程度。因此，能够准确分割出以上区域对于判定病情尤为重要。

一般地，对于这些区域的寻找通常是依赖人工经验对这些区域进行标注，但是这样的方式容易出现人为的失误，从而影响后续的诊断方案。因此一些研究认为，利用传统的图像处理算法应用在本场景中对特定组织区域进行分割可以准确地描绘这些组织区域的边界轮廓，从而能辅助判定这些区域的萎缩变化情况。比如，Qi 等人[2]借助区域生长技术对肿瘤区域进行区域分割。其中应对肿瘤区域中密度方差不一致的问题，结合贝叶斯决策规则以及模型匹配度原则，动态调整组织区域的密度方差。此外，Li 等人[3]新的统一水平集模型，整合图像梯度、区域竞争和先验信息，用于CT 肝脏肿瘤的分割。通过无监督的模糊聚类来估计肝脏肿瘤的概率分布，并利用它来增强对象指示函数，定义方向性气球力和调节区域竞争。总的来说，上述提及的方法可以有效地分割出所需要的组织区域，应用在脑部MRI 进行器官组织区域分割同样有效，但是这些方法处理速度较慢，在同时处理大批量样本时效率较低。

而随着深度学习技术的不断发展，越来越多的神经网络模型都应用在大脑肿瘤组织分割场景以及阿