DANet：轻量级模型如何精准解锁阿尔茨海默病 3D MRI 诊断新突破？

为解决现有阿尔茨海默病（AD）诊断模型的不足，厦门大学等单位研究人员开展 DANet 模型用于 AD 分类研究。结果显示该模型在多机构数据集上性能卓越。推荐阅读，一同探寻 AD 诊断新突破。

　　

在人口老龄化加剧的当下，阿尔茨海默病（Alzheimer’s disease，AD）如同一个可怕的 “记忆窃贼”，成为了老年人健康的重大威胁。它是老年人群中最常见的神经系统退行性疾病，可目前却没有公认的有效治疗方法。不过，要是能在早期发现，就能为患者争取更多缓解病情的机会。当下，三维磁共振成像（3D Magnetic Resonance Imaging，3D MRI）是诊断 AD 的重要手段，医生需要解读这些复杂的多维、多帧图像来判断病情，可不同医生的解读标准有差异，这就影响了诊断的准确性 。

为了解决这些问题，深度学习技术应运而生。它就像一位神通广大的 “数据魔法师”，能处理各种模态的数据，还能建立统一的诊断标准。卷积神经网络（Convolutional Neural Networks，CNNs）作为深度学习的 “得力干将”，在医学影像领域广泛应用。2D CNNs 能利用自然图像大数据的特征，但面对 3D 医学图像时，却难以捕捉其中关键的深度信息；3D CNNs 虽然能从三维空间提取信息，可又存在参数数量随卷积核增大呈指数增长、容易过拟合等问题 。

Transformer 最初是为自然语言处理设计的，后来也在计算机视觉领域 “大展身手”。它的注意力机制就像拥有 “千里眼”，能有效捕捉数据中的长距离依赖关系。很多研究把 Transformer 应用到 AD 分类中，还有不少结合 CNNs 和 Transformer 的混合模型出现。但这些模型也有不足，比如 Vision Transformers（ViTs）和混合模型往往需要更大的数据集和更长的训练时间。

在这样的背景下，厦门大学多媒体可信感知与高效计算教育部重点实验室等单位的研究人员，为了找到更高效的 AD 检测方法，在《Scientific Reports》期刊上发表了名为 “Dense convolution - based attention network for Alzheimer’s disease classification” 的论文。他们提出了 DenseAttentionNetwork（DANet），这是一个用于 3D MRI 图像中阿尔茨海默病检测的轻量级模型。研究结果表明，DANet 在多机构数据集上表现出色，在受试者工作特征曲线下面积（AUC）等指标上取得了最优成绩，而且模型参数少，计算成本低。这一成果为 AD 的临床诊断提供了更可靠、高效的工具，具有重要的意义。

研究人员在这项研究中用到了几个关键技术方法。首先是 DANet 的整体架构设计，他们受 PVT 的重叠补丁嵌入方法启发，将单通道 3D MRI 图像划分为重叠补丁，再通过 Patch Embedding 模块投影后，送入由 Dense Attention Block（DABlock）和过渡层组成的分层结构中，逐步提取特征并进行分类预测。DABlock 是其中的核心组件，它由基于卷积的注意力（ConvAttention）和两层 MLP 构成，通过特殊的卷积操作组合来高效提取特征 。此外，研究中还采用了 PolyLoss 损失函数，它在标准交叉熵损失的基础上添加多项式项，能更好地处理难样本，提高模型的鲁棒性 。

下面我们来详细看看研究结果：

1. 数据集和预处理：研究人员从阿尔茨海默病神经影像倡议（Alzheimer’s Disease Neuroimaging Initiative，ADNI）获取训练数据，包含 2975 例认知正常（Cognitively Normal，CN）样本和 2734 例 AD 样本，并按 4:1 的比例划分为训练集和验证集。为评估模型性能，他们还从 ADNI、开放存取成像研究系列（Open Access Series of Imaging Studies，OASIS）和阿尔茨海默病最小间隔磁共振成像（Minimal Interval Resonance Imaging in Alzheimer’s Disease，MIRIAD）获取测试数据 。所有数据都经过标准化预处理，包括 N4 偏置场校正、去噪、脑组织提取和图像配准等步骤，最后归一化并裁剪为统一大小后输入模型。
2. 实验结果：研究人员实现了多种模型并进行对比，包括 3D ViT、3D VAN 等。结果显示，DANet 在多个数据集上的 AUC 和分类准确率表现优异。例如在 ADNI 数据集上，DANet - B2 的 AUC 达到 0.933，准确率为 0.945，而且它的参数数量少、计算成本低，内存消耗也少，相比其他轻量级和混合模型优势明显 。
3. 消融实验结果：为探究 DABlock 和密集连接对模型性能的影响，研究人员进行了消融实验。结果表明，DABlock 中使用 ConvAttention 能提升模型性能，而且将注意力机制与输入结合比直接相加更有效；密集连接也显著提高了性能，通道连接比直接相加更有益，使用 DABlock 的输出比仅依赖前一阶段输出更能提升整体性能 。
4. 可视化结果：研究人员基于 Grad - CAM 技术对模型的激活区域进行可视化。结果显示，DANet 的激活区域主要集中在与 AD 病理密切相关的海马体、脑室和皮质区域，能有效捕捉 AD 相关的大脑结构变化；不过在一些误分类案例中，模型存在难以聚焦特定病理区域的问题 。

综合来看，研究人员提出的 DANet 模型整合了密集连接和线性注意力机制，在阿尔茨海默病的分类研究中取得了很好的成果。它有效克服了传统 CNNs 和 Transformers 在处理 AD 分类任务时的不足，在多机构数据集上展现出卓越的性能，用较少的参数实现了高精度的分类。同时，可视化结果也验证了模型能准确聚焦 AD 相关区域，为临床诊断提供了可解释性依据。不过，模型在一些复杂案例中仍存在误分类的情况，未来还需要进一步优化和改进。但不可否认的是，DANet 为阿尔茨海默病的早期诊断提供了新的思路和方法，有望推动 AD 临床诊断技术的发展，帮助更多患者及其家庭。