帕金森氏症是一种脑部疾病,导致晃动,僵硬以及行走,平衡和协调困难。帕金森氏症患者的症状通常会在老年时逐渐开始,并随着时间的推移而加重。随着疾病的发展,人们可能难以走路和说话。他们也可能有精神和行为上的变化,睡眠问题,抑郁,记忆障碍和疲劳。这项疾病为人民与国家带来了沉重的经济负担。现如今,机器学习尤其是深度学习技术已经在比如自动驾驶、人脸检测等领域有了广泛的应用,研究表明相关技术能发现人眼所不能获取的微小特征之间的区别,并在多种医疗图像分类任务中准确率已经超过高水平人类专家。当前的基于机器学习的图像诊断技术以核磁共振成像(MRI)为主,并且其结果很难解释且鲁棒性低,无法应用到实际任务中。因此,本研究采用能体现脑部功能性数据的扩散张量影像(DTI),并提出了一种新型的基于卷积神经网络的子区域集成帕金森氏症计算机辅助诊断框架。本框架首先提出将脑部扩散张量影像数据切割为标准的116脑网络图谱区(即116个脑部区域),然后对90个脑部除小脑外区域利用深度卷积网络进行监督训练得到90个深度学习模型。下一步即对子区域模型利用贪婪算法进行筛选,最终对选择后的区域组合的结果进行加权平均即为最终的结果。本研究具有以下创新点:1)利用扩散张量图像这样能体现脑部功能活动的数据进行诊断;2)该框架相比之前端到端的方法能够提供更多的中间信息,即哪些区域显示该患者具有患病风险。3)当前研究表明,模型的鲁棒性与分类准确率近似反比。准确率较低的单个子区域模型相比当前的端到端模型具有较强的鲁棒性,再将其进行集成后对比端到端模型也具有更好的分类效果,具有更强的实际应用价值。4)结果表明,该框架对帕金森氏症的诊断取得了88%的交叉验证集准确率,并在随机挑选的未加入训练的100组测试集中的识别准确率达到83%。此结果已远优于人类专家的诊断。此外,实验表明,该子区域集成框架的表现优于利用端到端网络的诊断方法。5)本研究通过结果可视化,指出了网络的诊断关键区域和关键点,其结果或能为医学界对于疾病的理解提供新的信息。6)提出了一种新的针对医学任务的对抗攻击机制,能够帮助医学模型在模拟实际的情况下验证并提高其鲁棒性。