·548· 智能系统学报 第16卷 被应用于阿尔滋海默症2、脑瘤2和肺结节1等 8组数据共享编码器，并分别使用8个解码器，最 疾病的医学图像分类或分割研究当中，并表现出 后只迁移共用的编码器部分用于肺结节CT图像 了优秀的效果。据我们所知，目前没有任何关于 的分类研究。受Chen等2例的启发，本文设计了 抑郁症医学图像分类的研究使用迁移学习，但所 一个新颖的三维sMRI数据迁移学习框架。在数 有上述研究都证明，将迁移学习应用于医学成像 据选择方面，只收集同一部位（大脑）和同一类型 领域具有巨大的价值，并且与从无到有的训练相 (sMR)的数据进行预训练，并只考虑分类任务。 比，在训练数据集较小的情况下，迁移学习的引 在这3个限制条件下，选择使用开源的老年痴呆 入有可能提高抑郁症sMRI图像分类的精度。 症数据集ADNI(htps:/ida.loni.usc.edu)作为预训 Chen等收集了包括肝脏、心脏等8种不同 练数据。为了实现本文的迁移学习，设计了1个 部位的3D医学图像分割数据集，在训练过程中， 3步处理工作流，如图4所示。 AD uonisue-Ce HC 迁移 MDD Na-dE AuoD-dE uorsueIL-dE 图4 迁移学习架构 Fig.4 Framework of the proposed transfer learning 1)从ADNI数据库中挑选出合适的sMRI数 的学习速率对迁移过后的主干网络进行微调，用 据，包含阿兹海默患者(alzheimer's disease, 较大的学习速率来训练未经过预训练的分类层 AD)、轻度认知障碍(mild cognitive impairment,. 以使传输的网络能够从MDD数据中提取一些新 MC),以及健康对照组(heathy control,HC)3类， 的特征，提高分类性能。 共656个被试者，并用与本文中相同的数据预处 理步骤，对挑选出来的数据进行预处理： 3实验与结果分析 2)用所选数据训练1个三分类的3D-DenseNet 为了验证本文提出方法的有效性，本文精心 网络，让网络学习sMRI数据的特征； 设计了一系列实验，探讨不同深度学习网络以及 3)将训练好的网络模型中的主干网络（图4 三维化相应网络对分类精度的影响，验证所设计 中红框部分)部分迁移到抑郁症sMRI数据的分类 任务中，并添加二分类层，使用本文的抑郁症sMRI 的迁移学习流程的有效性和优越性。 数据继续进行训练，以增强网络的分类性能。 3.1模型评价指标 之所以只从脑部sMRI数据集中选择数据作 本文分类问题为二分类问题，也就是将样本 预训练，是因为如果选择的源域和目标域的相似 分成MDD患者和HC两类，规定MDD患者为正 度太小，很可能会导致负迁移，从而导致性能下 类(positive),HC为负类(negative),分类算法对测 降，即分类准确率不提高反而降低。相反，2个数 试数据集的预测有正确或错误之分，具体包括将 据集越相似，2个数据集的高层特征就越相似，这 正类预测为正类数(true positive,TP)、将正类预测 将产生更好的代表性特征和更适合目标域的预训 为负类数(false negative,FN)、将负类预测为正类 练模型，以提高目标域任务的分类性能。为了进 数(false positive,FP)、将负类预测为负类数(true 行对比实验，在第3步中用相同的过程和相同的 negative,TN)4种情况。针对研究课题的特殊性， 数据训练三维化的ResNet。此外，本文使用较小 本文选取了正确率和召回率2个指标来评价模型被应用于阿尔兹海默症[26] 、脑瘤[27] 和肺结节[28] 等 疾病的医学图像分类或分割研究当中，并表现出 了优秀的效果。据我们所知，目前没有任何关于 抑郁症医学图像分类的研究使用迁移学习，但所 有上述研究都证明，将迁移学习应用于医学成像 领域具有巨大的价值，并且与从无到有的训练相 比，在训练数据集较小的情况下，迁移学习的引 入有可能提高抑郁症 sMRI 图像分类的精度。 Chen 等 [29] 收集了包括肝脏、心脏等 8 种不同 部位的 3D 医学图像分割数据集，在训练过程中， 8 组数据共享编码器，并分别使用 8 个解码器，最 后只迁移共用的编码器部分用于肺结节 CT 图像 的分类研究。受 Chen 等 [29] 的启发，本文设计了 一个新颖的三维 sMRI 数据迁移学习框架。在数 据选择方面，只收集同一部位 (大脑) 和同一类型 (sMRI) 的数据进行预训练，并只考虑分类任务。 在这 3 个限制条件下，选择使用开源的老年痴呆 症数据集 ADNI(https://ida.loni.usc.edu) 作为预训 练数据。为了实现本文的迁移学习，设计了 1 个 3 步处理工作流，如图 4 所示。 3D-Conv, 3D-BN ReLU, 3D-MaxPool 3D-DenseBlock (1) 3D-Transition 3D-DenseBlock (2) 3D-Transition 3D-DenseBlock (3) 3D-Transition 3D-DenseBlock (4) ReLU, 3D-AvgPool FC, Softmax MCI AD HC AD MCI HC 3D-Conv, 3D-BN ReLU, 3D-MaxPool 3D-DenseBlock (1) 3D-Transition 3D-DenseBlock (2) 3D-Transition 3D-DenseBlock (3) 3D-Transition 3D-DenseBlock (4) ReLU, 3D-AvgPool FC, Softmax MDD HC 迁移 MDD HC 图 4 迁移学习架构 Fig. 4 Framework of the proposed transfer learning 1) 从 ADNI 数据库中挑选出合适的 sMRI 数 据，包含阿兹海默患者 (alzheimer’s disease, AD)、轻度认知障碍 (mild cognitive impairment, MCI)，以及健康对照组 (heathy control, HC)3 类， 共 656 个被试者，并用与本文中相同的数据预处 理步骤，对挑选出来的数据进行预处理； 2) 用所选数据训练 1 个三分类的 3D-DenseNet 网络，让网络学习 sMRI 数据的特征； 3) 将训练好的网络模型中的主干网络 (图 4 中红框部分) 部分迁移到抑郁症 sMRI 数据的分类 任务中，并添加二分类层，使用本文的抑郁症 sMRI 数据继续进行训练，以增强网络的分类性能。 之所以只从脑部 sMRI 数据集中选择数据作 预训练，是因为如果选择的源域和目标域的相似 度太小，很可能会导致负迁移，从而导致性能下 降，即分类准确率不提高反而降低。相反，2 个数 据集越相似，2 个数据集的高层特征就越相似，这 将产生更好的代表性特征和更适合目标域的预训 练模型，以提高目标域任务的分类性能。为了进 行对比实验，在第 3 步中用相同的过程和相同的 数据训练三维化的 ResNet。此外，本文使用较小 的学习速率对迁移过后的主干网络进行微调，用 较大的学习速率来训练未经过预训练的分类层， 以使传输的网络能够从 MDD 数据中提取一些新 的特征，提高分类性能。 3 实验与结果分析 为了验证本文提出方法的有效性，本文精心 设计了一系列实验，探讨不同深度学习网络以及 三维化相应网络对分类精度的影响，验证所设计 的迁移学习流程的有效性和优越性。 3.1 模型评价指标 本文分类问题为二分类问题，也就是将样本 分成 MDD 患者和 HC 两类，规定 MDD 患者为正 类 (positive)，HC 为负类 (negative)，分类算法对测 试数据集的预测有正确或错误之分，具体包括将 正类预测为正类数 (true positive, TP)、将正类预测 为负类数 (false negative, FN)、将负类预测为正类 数 (false positive, FP)、将负类预测为负类数 (true negative, TN)4 种情况。针对研究课题的特殊性， 本文选取了正确率和召回率 2 个指标来评价模型 ·548· 智 能 系 统 学 报 第 16 卷