论文部分内容阅读
深度学习在医疗辅助诊断上发挥着越来越重要的作用。然而现有的深度学习方法在辅助诊断的过程中,常常会遇到数据标签不足的问题,进而影响了最后的分类效果。阿尔兹海默症是一种普发于老年人群中的疾病,为家庭和社会的发展带来很大的负担。医学上证实,阿尔兹海默症的早期诊断和干预,对病症治疗具有较为重要的意义。然而,由于数据采集的成本和规范等多方面原因,标记过的阿尔兹海默病例很少,严重影响了深度学习模型在该病例上的训练学习。本文着重从基于迁移学习的卷积神经网络和非监督的卷积神经网络两个角度去解决上述标签不足问题,提出了三种基于非监督深度神经网络的阿尔兹海默症辅助诊断方法,具体的主要研究内容如下:(1)提出基于迁移学习的阿尔兹海默症辅助诊断方法。该方法以三维MRI图像中的三个垂直正交平面为数据源,使用在自然图像中预训练的Overfeat这一卷积神经网络模型分别提取三个平面的特征,然后将三个平面的特征放入两级分类器中实现对阿尔兹海默症的自动分类诊断。实验证明,利用预训练的Overfeat提取的数据特征能够解决数据标签不足的问题;而且,使用二级分类器可以被认为是一种基于学习的方法减少三维数据的维度,通过选择和组合二维视图实现了对阿尔兹海默症三维MRI数据的自动分类诊断。(2)提出基于非监督深度学习网络PCANet的阿尔兹海默症辅助诊断方法。该方法使用PCANet来提取三维MRI数据中三个垂直相交切面的特征,其中该网络中的滤波器组由传统的无监督深度学习方法组成,然后使用一个二级分类器实现对阿尔兹海默症的自动分类诊断。实验结果显示,PCANet算法在阿尔兹海默症诊断中实现了较佳的分类效果。(3)提出基于非监督深度学习网络3D-PCANet的阿尔兹海默症辅助诊断方法。该方法以全三维MRI数据作为数据源,通过第一步3D-PCA卷积、第二步3D-PCA卷积和输出阶段,实现对全三维MRI数据的特征的提取,然后使用SVM对提取的特征进行分类,进而实现对阿尔兹海默症症的自动分类诊断。实验结果表明,与前两种方法相比,尽管使用MRI图像的三个垂直相交切面的方法获得了可接受的预测精度,但完整的三维MRI图像为AD预测提供了更多的病症数据信息,在AD诊断中取得了更好的分类结果。