论文部分内容阅读
随着老龄化人口的增多,阿尔兹海默症(Alzheimer’s Disease, AD)带来的社会问题也日益凸显。作为一种现阶段无法治愈的疾病,如何尽早地对患者进行识别以便进行早期干预减缓病程成为一项具有重要意义的研究工作。深度学习方法的兴起为AD识别方法的研究注入了新的活力,本文对基于深度学习的AD识别方法进行了探索和研究,主要研究内容包括:
现有基于功能磁共振影像的AD识别都是先将四维功能磁共振影像数据转换为功能脑网络或将其切片降维,再对其进行模式识别,导致了不同程度的信息损失。我们提出了一种针对四维影像的端到端深度学习模型三维卷积长短时记忆网络模型,通过改进三维卷积神经网络的结构同时引入长短时记忆网络,使该模型能够直接从四维功能磁共振数据中同时抽取其包含的空间和时变信息。实验结果显示,三维卷积长短时记忆网络模型可以有效处理四维fMRI影像,与传统的基于脑网络建模或切片降维的AD识别方法相比具有明显优势,特别在AD辅助诊断问题中的难点——轻度认知障碍的识别上,三维卷积长短时记忆网络模型性能尤其突出,这对于AD早期诊断非常重要。
针对AD磁共振影像数据集较小而一般深度学习又需要较大数据量以增强模型泛化性这一矛盾问题,我们提出了一种参数高效的深度学习模型,以C3D神经网络为基础,构建双通路,同时处理包括磁共振影像与临床诊断数据的多模态输入数据,以增大训练数据的有效信息量;同时,通过在网络中构建残差结构,引入三维可分离卷积及全局池化层,使得网络参数量相比传统的C3D模型得到了跨数量级的减少,降低了模型过拟合风险。实验结果显示,参数高效深度学习模型有效提高了AD识别的准确率。
磁共振影像等高维医学图像虽然包含信息丰富,但也存在尺寸大、冗余信息多的问题;同时,AD虽然是一种全脑泛化性病变疾病,但其个体间又存在皮层局部病变区域不同、病变程度不同的病理学特点。因此,本文以多模态数据参数高效模型为基础,提出了一种基于非局部注意力机制的深度学习模型,既可兼顾大脑全局泛化性改变,又能针对不同被试的神经影像自动寻找并关注其相关重点区域,实验结果验证了注意力机制在AD识别研究中的有效性和积极作用。
现有基于功能磁共振影像的AD识别都是先将四维功能磁共振影像数据转换为功能脑网络或将其切片降维,再对其进行模式识别,导致了不同程度的信息损失。我们提出了一种针对四维影像的端到端深度学习模型三维卷积长短时记忆网络模型,通过改进三维卷积神经网络的结构同时引入长短时记忆网络,使该模型能够直接从四维功能磁共振数据中同时抽取其包含的空间和时变信息。实验结果显示,三维卷积长短时记忆网络模型可以有效处理四维fMRI影像,与传统的基于脑网络建模或切片降维的AD识别方法相比具有明显优势,特别在AD辅助诊断问题中的难点——轻度认知障碍的识别上,三维卷积长短时记忆网络模型性能尤其突出,这对于AD早期诊断非常重要。
针对AD磁共振影像数据集较小而一般深度学习又需要较大数据量以增强模型泛化性这一矛盾问题,我们提出了一种参数高效的深度学习模型,以C3D神经网络为基础,构建双通路,同时处理包括磁共振影像与临床诊断数据的多模态输入数据,以增大训练数据的有效信息量;同时,通过在网络中构建残差结构,引入三维可分离卷积及全局池化层,使得网络参数量相比传统的C3D模型得到了跨数量级的减少,降低了模型过拟合风险。实验结果显示,参数高效深度学习模型有效提高了AD识别的准确率。
磁共振影像等高维医学图像虽然包含信息丰富,但也存在尺寸大、冗余信息多的问题;同时,AD虽然是一种全脑泛化性病变疾病,但其个体间又存在皮层局部病变区域不同、病变程度不同的病理学特点。因此,本文以多模态数据参数高效模型为基础,提出了一种基于非局部注意力机制的深度学习模型,既可兼顾大脑全局泛化性改变,又能针对不同被试的神经影像自动寻找并关注其相关重点区域,实验结果验证了注意力机制在AD识别研究中的有效性和积极作用。