神经影像学中的深度学习在神经退行性疾病中的应用：最新进展、挑战与机遇

Deep Learning in neuroimaging for neurodegenerative diseases: State-of-the art, Challenges, and Opportunities
Journal of the Neurological Sciences

神经影像学中的深度学习在神经退行性疾病中的应用：最新进展、挑战与机遇

摘要

神经影像学常用于诊断神经退行性疾病（NDDs），能在临床症状显现前为脑部变化提供关键见解。用于神经影像学的深度学习（DL）可提升早期诊断与疾病监测效果。深度学习的临床应用面临着真实世界数据精准表征的挑战。近期的模型，尤其是专注于诊断分类的模型，虽已实现较高准确率，但在患者群体中的适用性有限。有研究报道存在相互矛盾的推论，小样本队列的研究结论在推广时未考虑扫描仪间、扫描内及扫描位点间的差异。一种理论上可行的方法是收集涵盖所有患者人口统计学特征的全面数据集，但这面临着数据标准化、数据不完整、类别不平衡以及高昂成本等实际难题。现有研究也大多聚焦于阿尔茨海默病（AD）和帕金森病（PD）等常见神经退行性疾病。本研究拓展了相关研究范畴，探讨了更广泛的神经退行性疾病，深入分析了将深度学习算法应用于神经影像学分析以诊断和监测神经退行性疾病的最新进展，涉及的疾病包括阿尔茨海默病、额颞叶痴呆（FTD）、路易体痴呆、帕金森病、亨廷顿病、肌萎缩侧索硬化症以及多发性硬化症。我们重点阐述了这些方法如何处理脑容量成像数据中的空间/时间信息。最后，我们探讨了基于体素、基于斑块、基于感兴趣区（ROI）以及基于切片的方法在脑容量成像应用中面临的挑战。扫描位点间、扫描仪间的差异、医疗数据集的类别不平衡以及精准标注数据的稀缺性等问题进一步加剧了这些挑战，所有这些因素均会影响深度学习模型的性能和泛化能力。

特点

分不同病种逐个介绍深度学习在其中的应用。

主流成像模态：
image
成像特征：
image
数据类型、应用场景以及数据格式：
image
特色： 总结了公开数据集：
image
可供参考：4种深度学习方法：
（1）基于体素的方法，将全脑体积作为三维深度学习模型的输入；（2）基于感兴趣区的方法，聚焦于由三维深度学习模型处理的特定感兴趣区域；（3）基于块的方法，将脑体积划分为更小的块，以序列形式输入至三维深度学习模型；（4）基于切片的方法，通过二维深度学习模型分析三维体层的二维切片，随后借助序列模型进行时间或空间聚合。
image
可供参考：各个超参数：
image
架构特定超参数：
image

解释：

论文中的表4：跨架构通用超参数调优对比，系统对比了卷积神经网络（CNNs）、视觉Transformer（ViTs）、循环神经网络（RNNs）三类深度学习核心模型，在5个最基础的通用超参数上的作用、调优逻辑、典型配置与注意事项，是训练神经影像深度学习模型的调参参考指南。

下面按行逐一对每个超参数做详细解释：

1. 学习率（Learning Rate）

控制模型每次更新权重的“步长”，是影响模型收敛效果最核心的超参数：步长太大训练容易震荡不收敛，步长太小收敛速度极慢。

  • CNNs：至关重要。通常搭配学习率调度器（如ReduceLROnPlateau，验证集性能不提升时自动降低学习率）使用，典型取值范围为 1e-5 到 1e-2。
  • ViTs：敏感度极高。通常需要更小的学习率，且必须搭配热身（warm-up）策略（训练初期逐步提升学习率），避免训练初期模型参数不稳定、发生梯度崩溃。
  • RNNs：影响显著。学习率过高会直接导致梯度爆炸，过低则收敛速度极慢；通常会搭配梯度裁剪（Gradient clipping）限制梯度的最大幅值，防止爆炸。

2. 批次大小（Batch Size）

指每次迭代送入模型训练的样本数量，直接影响训练速度、梯度稳定性和GPU显存占用。

  • CNNs：批次越大，梯度估计越稳定，但显存占用越高。神经影像场景常用批次为 32、64、128（2D切片场景；3D体素数据显存开销大，批次会更小）。
  • ViTs：显存消耗极大。ViT本身参数量远高于同规模CNN，批次大小通常受GPU显存严格限制，同时也会显著影响训练稳定性和速度。
  • RNNs：控制并行处理的序列数量。由于序列长度不固定、循环计算的显存特性特殊，通常使用较小的批次。

3. 优化器（Optimizer）

根据梯度更新模型权重的具体算法，不同架构适配的最优优化器差异明显。

  • CNNs：Adam 是最常用、鲁棒性最好的选择；带动量的 SGD 也被广泛使用。
  • ViTs：AdamW 是标准配置。它将权重衰减与梯度更新解耦，大幅提升Transformer模型的泛化能力，是ViT训练的标配。
  • RNNs：Adam 和 RMSprop 是主流选择，二者能有效缓解RNN中常见的梯度不稳定问题。

4. Dropout 率（Dropout Rate）

训练时随机“失活”一部分神经元，是防止模型过拟合的经典正则化手段。

  • CNNs：通常加在全连接层，偶尔加在卷积层之间，通过随机置零神经元降低模型对局部特征的过度依赖。
  • ViTs：加在注意力模块和前馈网络内部。由于ViT参数量大、更容易过拟合，Dropout是大模型核心的正则化手段。
  • RNNs：仅作用在循环层的输入/输出端，不会加在循环连接本身——否则会破坏序列的记忆传递能力，仅用于缓解序列数据的过拟合。

5. 权重衰减（Weight Decay）

即L2正则化，通过惩罚过大的权重值防止过拟合。

  • CNNs：通用的正则化手段，通常取值很小，典型值为 1e-4。
  • ViTs：必不可少。ViT比CNN更容易过拟合，因此通常需要更强的权重衰减；AdamW优化器就是为了更合理地实现权重衰减而设计的。
  • RNNs：也可用于防过拟合，但使用频率远低于Dropout；调参需要谨慎，强度过强会破坏模型对长序列依赖关系的学习。
posted @ 2026-06-24 08:40  点影成金  阅读(7)  评论(0)    收藏  举报