第3期 付常洋，等：基于深度学习与结构磁共振成像的抑郁症辅助诊断 ·545· 法相比，在图像领域取得了突破性的成绩 工作流程，用于目标领域同类型、同部位的数据 因此，越来越多的学者将深度学习方法应用到医 进行预训练，然后将模型迁移至抑郁症sMRI数 疗图像领域的研究课题中。 据，并进行再训练，提高了分类精度，证明了迁移 深度卷积神经网络(convolutional neural net- 学习的有效性，通过与其他迁移学习方法做对 works,.CNN)通过使用反向传播算法来调整其内 比，证明了提出的迁移学习方法的优越性； 部参数，叠加了多层神经元，用来发现大数据集 3)与多组先进的二维、三维网络进行对比实 中更深层次的特征。文献[16]表明，网络层数对 验，证明了提出的3 D-DenseNet网络在抑郁症sMRI 网络的最终性能的影响巨大，越深层的网络往往 数据分类任务中具有优越性和有效性。 越能提高其泛化能力。CNN网络的发展也符合 这一规律，自AlexNet!的7层发展到了VGGm 1实验准备 的16层，甚至19层，后来发展到GoogLeNet!的 1.1数据库 22层。但随着层数的增加，训练网络所需的计算 本研究共包含174名被试者，其中99名重症 能力和时间成本也随之增加，而且一味地增加层 抑郁症患者和75名年龄、性别、受教育程度匹配 数，并不总是能够提升网络性能，网络达到一定 的健康对照者(heathy control,,HC)。重症抑郁症 深度后再加深，反而会导致网络收敛速度变慢， 患者是从首都医科大学附属安定医院招募的，健 分类准确率也变差。排除数据集过小带来的模型 康对照组是从报纸广告上招募的。所有重症抑郁 过拟合等问题，分类准确率会在增加网络层数的 症患者都达到了美国精神障碍诊断与统计学手册 过程中逐渐趋于饱和，继续加深网络会出现准确 第4版(DSM-IV)对抑郁症的诊断标准，所有正常 率下降的现象，这种现象被称为退化问题，网络 人都通过了DSM-IV的非病人版结构化临床访谈 层数越深，网络的分类性能退化越快。 面试，在实验前，所有被试者都签署了知情同意书。 针对这一问题，He等在2016年提出了残 2组被试者的临床统计学分析结果如表1所示。 差网络(residual network,.ResNet),通过引入残差 表1被试者统计学分析结果 模块，建立相邻层之间的短路连接，有助于训练 Table 1 Statistical analysis results of subjects 过程中梯度的反向传播，将网络层数做到了 P 152层以上，一定程度上解决了梯度消失和网络 变量 MDD HC 33:42 退化问题。 性别（男：女） 43:56 0.941 基于此，Huang等20在2017年提出了密集连 年龄/岁 34.57±12.18 35.65±12.63 0.570 (densely connected convolutional networks, 教育程度/年 13.75±3.01 12.93±2.40 0.610 DenseNet),其基本思路与ResNet一致，但是该网 年龄范围/岁 18-65 19-60 络建立了前面所有层与后面层的连接，实现特征 病程/年 7.88±7.87 重用，在参数量和计算成本均比ResNet少的情况 抑郁症发病次数/次 2.63±126 下，DenseNet在多个公开大型数据集上表现出了 HAMD 21.44±3.97 比ResNet更优的性能。 虽然深度学习在计算机视觉领域大放异彩， HAMA 16.00±9.61 但目前的深度学习网络，大多只能处理如Im- 表1中：P为MDD和HC的双样本T检验 ageNet等二维的自然图像数据，对于三维数据涉 值；HAMD表示汉密尔顿忧郁量表(Hamilton de- 及较少，如何将深度学习网络应用在抑郁症结构 pression scale);HAMA表示汉密尔顿焦虑量表 磁共振影像的分类任务上，成为一个研究热点和 (Hamilton anxiety scale). 难点。基于此，本文将DenseNet网络模型进行三 1.2sMRI数据采集 维(three dimensional,3D)化，并引入迁移学习方 所有sMRI图像都是在北京师范大学认知神 法，进一步优化了实验结果。本文主要贡献概括 经科学与学习国家重点实验室用一台Tesla3.0扫 如下： 描所得，扫描时采用三维磁化快速梯度回波成像 1)提出一种三维密集连接网络(3D-Dense (magnetization prepared rapid gradient echo, Net),将密集连接的思想扩展到三维，以充分挖掘 MPRAGE),扫描参数如下：射频重复时间(repeti- 三维sMRI数据中的层间结构信息，实现对抑郁 tion time,,TR)=2530ms,回波时间(echo time,TE)= 症患者与健康对照者sMRI数据的准确分类； 3.39ms,翻转角度(flip angle,.FA)=7°，成像视野 2)引入迁移学习，精心设计了一个迁移学习 (field of view,FOV)=256mm×256mm,体素大小法相比，在图像领域取得了突破性的成绩[11-12]。 因此，越来越多的学者将深度学习方法应用到医 疗图像领域的研究课题中[13-15]。 深度卷积神经网络 (convolutional neural net￾works, CNN) 通过使用反向传播算法来调整其内 部参数，叠加了多层神经元，用来发现大数据集 中更深层次的特征。文献 [16] 表明，网络层数对 网络的最终性能的影响巨大，越深层的网络往往 越能提高其泛化能力。CNN 网络的发展也符合 这一规律，自 AlexNet[11] 的 7 层发展到了 VGG[17] 的 16 层，甚至 19 层，后来发展到 GoogLeNet[18] 的 22 层。但随着层数的增加，训练网络所需的计算 能力和时间成本也随之增加，而且一味地增加层 数，并不总是能够提升网络性能，网络达到一定 深度后再加深，反而会导致网络收敛速度变慢， 分类准确率也变差。排除数据集过小带来的模型 过拟合等问题，分类准确率会在增加网络层数的 过程中逐渐趋于饱和，继续加深网络会出现准确 率下降的现象，这种现象被称为退化问题，网络 层数越深，网络的分类性能退化越快。 针对这一问题，He 等 [19] 在 2016 年提出了残 差网络 (residual network, ResNet)，通过引入残差 模块，建立相邻层之间的短路连接，有助于训练 过程中梯度的反向传播，将网络层数做到 了 152 层以上，一定程度上解决了梯度消失和网络 退化问题。 基于此，Huang 等 [20] 在 2017 年提出了密集连 接网络 (densely connected convolutional networks, DenseNet)，其基本思路与 ResNet 一致，但是该网 络建立了前面所有层与后面层的连接，实现特征 重用，在参数量和计算成本均比 ResNet 少的情况 下，DenseNet 在多个公开大型数据集上表现出了 比 ResNet 更优的性能。 虽然深度学习在计算机视觉领域大放异彩， 但目前的深度学习网络，大多只能处理如 Im￾ageNet 等二维的自然图像数据，对于三维数据涉 及较少，如何将深度学习网络应用在抑郁症结构 磁共振影像的分类任务上，成为一个研究热点和 难点。基于此，本文将 DenseNet 网络模型进行三 维 (three dimensional, 3D) 化，并引入迁移学习方 法，进一步优化了实验结果。本文主要贡献概括 如下： 1) 提出一种三维密集连接网络 (3D-Dense Net)，将密集连接的思想扩展到三维，以充分挖掘 三维 sMRI 数据中的层间结构信息，实现对抑郁 症患者与健康对照者 sMRI 数据的准确分类； 2) 引入迁移学习，精心设计了一个迁移学习 工作流程，用于目标领域同类型、同部位的数据 进行预训练，然后将模型迁移至抑郁症 sMRI 数 据，并进行再训练，提高了分类精度，证明了迁移 学习的有效性，通过与其他迁移学习方法做对 比，证明了提出的迁移学习方法的优越性； 3) 与多组先进的二维、三维网络进行对比实 验，证明了提出的 3D-DenseNet 网络在抑郁症 sMRI 数据分类任务中具有优越性和有效性。 1 实验准备 1.1 数据库 本研究共包含 174 名被试者，其中 99 名重症 抑郁症患者和 75 名年龄、性别、受教育程度匹配 的健康对照者 (heathy control, HC)。重症抑郁症 患者是从首都医科大学附属安定医院招募的，健 康对照组是从报纸广告上招募的。所有重症抑郁 症患者都达到了美国精神障碍诊断与统计学手册 第 4 版 (DSM-IV) 对抑郁症的诊断标准，所有正常 人都通过了 DSM-IV 的非病人版结构化临床访谈 面试，在实验前，所有被试者都签署了知情同意书。 2 组被试者的临床统计学分析结果如表 1 所示。 表 1 被试者统计学分析结果 Table 1 Statistical analysis results of subjects 变量 MDD HC P 性别(男∶女) 43∶56 33∶42 0.941 年龄/岁 34.57±12.18 35.65±12.63 0.570 教育程度/年 13.75±3.01 12.93±2.40 0.610 年龄范围/岁 18~65 19~60 — 病程/年 7.88±7.87 — — 抑郁症发病次数/次 2.63±1.26 — — HAMD 21.44±3.97 — — HAMA 16.00±9.61 — — 表 1 中 ：P 为 MDD 和 HC 的双样本 T 检验 值；HAMD 表示汉密尔顿忧郁量表 (Hamilton de￾pression scale)；HAMA 表示汉密尔顿焦虑量表 (Hamilton anxiety scale)。 1.2 sMRI 数据采集 所有 sMRI 图像都是在北京师范大学认知神 经科学与学习国家重点实验室用一台 Tesla3.0 扫 描所得，扫描时采用三维磁化快速梯度回波成像 (magnetization prepared rapid gradient echo， MPRAGE)，扫描参数如下：射频重复时间 (repeti￾tion time, TR) = 2530 ms，回波时间 (echo time, TE) = 3.39 ms，翻转角度 (flip angle, FA) = 7°，成像视野 (field of view, FOV) = 256 mm×256 mm，体素大小 第 3 期 付常洋，等：基于深度学习与结构磁共振成像的抑郁症辅助诊断 ·545·