·550· 智能系统学报 第16卷 供训练数据的获取渠道，故为了证明本文提出的 学习方法的有效性和优越性。同前沿方法相比， ADNI-Transfer方法的优越性，将3D-ResNet系列 本文提出的方法能够有效提高抑郁症与健康对照 中表现最好的3D-ResNet2200也做了ADNI-Trans- 者的sMRI数据分类准确率和召回率，继而辅助 fer,并与进行Med3D-Transfer的3D-ResNet200网 医生完成诊断，充分验证了提出方法的有效性和 络作对比，实验结果见表5。 可行性，具有重要的研究价值。 表5迁移学习实验结果对比 参考文献： Table 5 Comparison of experimental results of transfer learning [1]世界卫生组织.抑郁症[EB/0L].(2019-08-29) 网络模型 迁移学习方法准确率%召回率% [2019-12-04]https://www.who.int/zh/news-room/fact- None 74.81 80.66 sheets/detail/depression. 3D-ResNet200 Med3D-Transfer 78.62 84.37 World Health Organization.Depression fact sheets ADNI-Transfer 81.45 86.52 [EB/OL].(2019-08-29)I2019-12-04]https:/www.who None 77.42 83.72 int/zh/news-room/fact-sheets/detail/depression. 3D-DenseNet264 ADNI-Transfer 84.37 87.26 [2]BRANDT W A.LOEW T.VON HEYMANN F,et al. How does the ICD-10 symptom rating (ISR)with four 从表5可以看出，引入迁移学习后，网络的分 items assess depression compared to the BDI-I?A valida- 类性能有了显著提升，例如3D-DenseNet264在经 tion study[J].Journal of affective disorders,2015,173: 过ADNI-Transfer操作之后，分类准确率提升了 143-145. 6.95%,这说明迁移学习能够将其他领域的知识引 [3]MASKE U E,HAPKE U,RIEDEL-HELLER S G,et al. 入到抑郁症sMRI数据的分类任务中，一定程度 Respondents'report of a clinician-diagnosed depression in health surveys:comparison with DSM-IV mental dis- 上解决了样本不充足问题，从而加快模型训练的 orders in the general adult population in Germany[J].BMC 效率，提升模型最终的泛化能力。相比于Med3D- psychiatry,2017,17(1):39. Transfer方法，本文提出的ADNI-Transfer迁移学 [4]GIEDD J N.Structural magnetic resonance imaging of the 习方法在准确率和召回率上均有更优表现，例如 adolescent brain[J].Annals of the New York academy of 进行ADN-Transfer的3D-ResNet2200网络的分类 sciences,2004,1021(1:77-85. 准确率要比进行Med3D-Transfer的3D-ResNet200 [5]GAO Shuang,CALHOUN V D,SUI Jing.Machine learn- ing in major depression:from classification to treatment 网络高出2.83%，召回率高出3.54%，这说明网络 outcome prediction[J].CNS neuroscience&therapeutics, 从与目标领域数据相同部位、相同类型的源领域 2018,24(11):1037-1052 数据中提取信息对目标任务更有价值，从而这样 [6]HILBERT K,LUEKEN U,MUEHLHAN M,et al.Separ- 的做法也更能提高目标任务的评价指标，也就是 ating generalized anxiety disorder from major depression 更能够提升抑郁症sMRI数据的分类精准确率和 using clinical,hormonal,and structural MRI data:a mul- 召回率。由本文提出的3D-DenseNet.264网络和 timodal machine learning study[J].Brain and behavior, ADNI-Transfer迁移学习方法组合后得到的实验 2017,7(3):e00633. [7]SANKAR A,ZHANG Tianhao,GAONKAR B,et al.Dia- 结果明显优于其他方法，证明了本文提出方法的 gnostic potential of structural neuroimaging for depression 有效性和优越性。 from a multi-ethnic community sample[].BJPsych open, 2016,2(4):247-254 4结束语 [8]LECUN Y.BENGIO Y,HINTON G.Deep learning[J] 本文提出一种三维密集连接深度学习网络 Nature,.2015,521(7553):436-444. [9]马世龙，乌尼日其其格，李小平.大数据与深度学习综述 3D-DenseNet,并首次将它用于三维抑郁症 [).智能系统学报，2016,11(6：728-742 sMRI数据的分类研究中。通过对DenseNet进行 MA Shilong,WUNIRI Qigige,LI Xiaoping.Deep learn- 三维化改进，使之能够更好地提取三维信息，在 ing with big data:state of the art and development[J]. 与多个计算机视觉领域先进的网络对比实验中发 CAAl transactions on intelligent systems,2016,11(6): 现，本文设计的网络均表现出更优的性能，并且 728-742 随着网络深度的增加，网络的分类性能也随之提 [10]刘帅师，程曦.郭文燕，等.深度学习方法研究新进展 升。除此之外，引入迁移学习，针对目标任务数 ).智能系统学报，2016,11(5)：567-577. LIU Shuaishi,CHENG Xi,GUO Wenyan,et al.Progress 据的特殊性，精心设计了一个迁移学习工作流程 report on new research in deep learning[J].CAAI transac- ADN-Transfer,并与当下领域内流行的迁移学习 tions on intelligent systems,2016,11(5):567-577. 方法作了比较，实验结果证明了本文提出的迁移 [11]KRIZHEVSKY A,SUTSKEVER I,HINTON G E.Im-供训练数据的获取渠道，故为了证明本文提出的 ADNI-Transfer 方法的优越性，将 3D-ResNet 系列 中表现最好的 3D-ResNet200 也做了 ADNI-Trans￾fer，并与进行 Med3D-Transfer 的 3D-ResNet200 网 络作对比，实验结果见表 5。 表 5 迁移学习实验结果对比 Table 5 Comparison of experimental results of transfer learning 网络模型 迁移学习方法 准确率/% 召回率/% 3D-ResNet200 None 74.81 80.66 Med3D-Transfer 78.62 84.37 ADNI-Transfer 81.45 86.52 3D-DenseNet264 None 77.42 83.72 ADNI-Transfer 84.37 87.26 从表 5 可以看出，引入迁移学习后，网络的分 类性能有了显著提升，例如 3D-DenseNet264 在经 过 ADNI-Transfer 操作之后，分类准确率提升了 6.95%，这说明迁移学习能够将其他领域的知识引 入到抑郁症 sMRI 数据的分类任务中，一定程度 上解决了样本不充足问题，从而加快模型训练的 效率，提升模型最终的泛化能力。相比于 Med3D￾Transfer 方法，本文提出的 ADNI-Transfer 迁移学 习方法在准确率和召回率上均有更优表现，例如 进行 ADNI-Transfer 的 3D-ResNet200 网络的分类 准确率要比进行 Med3D-Transfer 的 3D-ResNet200 网络高出 2.83%，召回率高出 3.54%，这说明网络 从与目标领域数据相同部位、相同类型的源领域 数据中提取信息对目标任务更有价值，从而这样 的做法也更能提高目标任务的评价指标，也就是 更能够提升抑郁症 sMRI 数据的分类精准确率和 召回率。由本文提出的 3D-DenseNet264 网络和 ADNI-Transfer 迁移学习方法组合后得到的实验 结果明显优于其他方法，证明了本文提出方法的 有效性和优越性。 4 结束语 本文提出一种三维密集连接深度学习网络 3D-DenseNet ，并首次将它用于三维抑郁 症 sMRI 数据的分类研究中。通过对 DenseNet 进行 三维化改进，使之能够更好地提取三维信息，在 与多个计算机视觉领域先进的网络对比实验中发 现，本文设计的网络均表现出更优的性能，并且 随着网络深度的增加，网络的分类性能也随之提 升。除此之外，引入迁移学习，针对目标任务数 据的特殊性，精心设计了一个迁移学习工作流程 ADNI-Transfer，并与当下领域内流行的迁移学习 方法作了比较，实验结果证明了本文提出的迁移 学习方法的有效性和优越性。同前沿方法相比， 本文提出的方法能够有效提高抑郁症与健康对照 者的 sMRI 数据分类准确率和召回率，继而辅助 医生完成诊断，充分验证了提出方法的有效性和 可行性，具有重要的研究价值。 参考文献： 世界卫生组织. 抑郁症 [EB/OL]. (2019−08−29) [2019−12−04] https://www.who.int/zh/news-room/fact￾sheets/detail/depression. World Health Organization. Depression fact sheets [EB/OL]. (2019−08−29)[2019−12−04] https://www.who. int/zh/news-room/fact-sheets/detail/depression. [1] BRANDT W A, LOEW T, VON HEYMANN F, et al. How does the ICD-10 symptom rating (ISR) with four items assess depression compared to the BDI-II? A valida￾tion study[J]. Journal of affective disorders, 2015, 173: 143–145. [2] MASKE U E, HAPKE U, RIEDEL-HELLER S G, et al. Respondents’ report of a clinician-diagnosed depression in health surveys: comparison with DSM-IV mental dis￾orders in the general adult population in Germany[J]. BMC psychiatry, 2017, 17(1): 39. [3] GIEDD J N. Structural magnetic resonance imaging of the adolescent brain[J]. Annals of the New York academy of sciences, 2004, 1021(1): 77–85. [4] GAO Shuang, CALHOUN V D, SUI Jing. Machine learn￾ing in major depression: from classification to treatment outcome prediction[J]. CNS neuroscience & therapeutics, 2018, 24(11): 1037–1052. [5] HILBERT K, LUEKEN U, MUEHLHAN M, et al. Separ￾ating generalized anxiety disorder from major depression using clinical, hormonal, and structural MRI data: a mul￾timodal machine learning study[J]. Brain and behavior, 2017, 7(3): e00633. [6] SANKAR A, ZHANG Tianhao, GAONKAR B, et al. Dia￾gnostic potential of structural neuroimaging for depression from a multi-ethnic community sample[J]. BJPsych open, 2016, 2(4): 247–254. [7] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436–444. [8] 马世龙, 乌尼日其其格, 李小平. 大数据与深度学习综述 [J]. 智能系统学报, 2016, 11(6): 728–742. MA Shilong, WUNIRI Qiqige, LI Xiaoping. Deep learn￾ing with big data: state of the art and development[J]. CAAI transactions on intelligent systems, 2016, 11(6): 728–742. [9] 刘帅师, 程曦, 郭文燕, 等. 深度学习方法研究新进展 [J]. 智能系统学报, 2016, 11(5): 567–577. LIU Shuaishi, CHENG Xi, GUO Wenyan, et al. Progress report on new research in deep learning[J]. CAAI transac￾tions on intelligent systems, 2016, 11(5): 567–577. [10] [11] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Im- ·550· 智 能 系 统 学 报 第 16 卷