论文部分内容阅读
人类非脑部疾病的医学研究可以依赖动物来实现,而脑部疾病则存在许多局限性,例如人脑和动物脑之间具有的本质区别,人脑可以进行对思维和记忆的计算,内部结构复杂、精细,而直接进行人脑的研究则违背社会伦理道德,因此,大多数现代医学中的脑部研究都是通过计算机辅助方法完成的。计算机技术在近些年的急速发展,使得核磁共振成像技术(MRI)已广泛应用于医学领域。其中自动且准确地分类不同类型的病理脑图像尤为重要。本文研究建立一个MRI病脑图像自动检测分类系统,将健康、脑血管类疾病、肿瘤性疾病、退行性疾病以及炎症性疾病进行更为准确的分类。本文的主要研究工作如下:1.研究自编码器(AE)在MRI脑图像特征提取过程中的可行性与意义,并对自编码器进行优化改进,利用改进后的堆叠式稀疏自编码器(SSAE)方法进行MRI脑图像的特征提取。在AE算法中引入L1正则化,在最小化经验误差函数中加入约束,从而使得模型能满足稀疏性的要求;2.针对深度学习方法训练时间过长的问题,提出了小批量尺度共轭梯度(MSCG)算法。MSCG算法在运算过程中采用列文伯格(LM)方法来避免存储和计算牛顿法所需要的二阶导数信息,并且该算法在共轭梯度(CG)算法中加入了尺度因子和小批量参数,从而克服传统梯度下降算法收敛速度慢的缺点;3.提出混合堆叠式稀疏自编码网络模型,利用SSAE方法进行特征提取,并将多个自编码器层与优化后的softmax分类器堆叠形成稀疏自编码分类混合模型,整个网络框架采用反向传播(BP)算法进行微调。该模型能够逐层提取特征,并进行网络微调,因此可以提高MRI脑图像的分类性能。