【摘 要】
：
随着人口老龄化问题的加剧,阿尔茨海默症带来的社会问题日益严峻,尽早诊断与干预治疗具有重要的社会意义与经济意义。近年来,基于机器视觉的阿尔茨海默症识别算法发展迅速,但是仍然面临缺乏大规模训练数据集、算法精度不高以及运行效率较低等问题。本研究旨在基于深度学习改进卷积神经网络（CNN）,提高阿尔茨海默症预测算法的精度与效率。针对目前2D CNN未能利用MR图像的三维特性,提出一种三方向2D CNN识别网
论文部分内容阅读
随着人口老龄化问题的加剧,阿尔茨海默症带来的社会问题日益严峻,尽早诊断与干预治疗具有重要的社会意义与经济意义。近年来,基于机器视觉的阿尔茨海默症识别算法发展迅速,但是仍然面临缺乏大规模训练数据集、算法精度不高以及运行效率较低等问题。本研究旨在基于深度学习改进卷积神经网络（CNN）,提高阿尔茨海默症预测算法的精度与效率。针对目前2D CNN未能利用MR图像的三维特性,提出一种三方向2D CNN识别网络,即将MR图像的横断面、冠状面、矢状面三个切片作为输入,在一定程度上利用原始数据三维特性提升识别效果。针对相关研究忽略健康、轻度认知障碍和阿尔茨海默症三个类别之间的渐进关系,提出一种渐进序数损失函数来提升模型的预测精度。目前,阿尔茨海默症缺乏大规模三维数据训练集,造成基于3D CNN的识别模型不能得到良好的训练。鉴于知识迁移能在一定程度上缓解数据缺乏问题,引入一种基于自监督学习的3D CNN识别模型,该模型可以在无标注的MRI数据上进行预训练,然后迁移其知识并用有标注的阿尔茨海默症数据集再训练,从而提高阿尔茨海默症的识别精度。针对目前模型的集成学习效率低、实用性差等问题,借鉴负相关学习的有关思想设计了基于深度负相关集成的识别模型,将集成学习技术融入到CNN网络的设计中,仅需对网络的结构和损失函数进行少量修改,便能在几乎不增加网络计算耗时的前提下,明显提升识别模型的预测精度的效果。最后,对本研究提出的算法在ADNI数据集上进行了实验验证,MR图像阿尔茨海默症的识别准确率达到98.92%。
其他文献
近年来,不断有新的词向量模型被提出,但这些最佳性能的模型却无法在内容偏差检测、分类任务的可解释评估等工作中产生作用,原因是这些词向量不具有可解释性,向量空间不具有参考系的作用。当前的可解释词向量模型大多数基于大规模语料库生成,但大部分人难以获得正规的大规模语料库文件,且实际需求中经常会遇到语料库规模小、数据集少的情况,而现有的可解释词向量构建方法在小语料库上性能不及预期,同时,鲜有构建完全正交的词
电液伺服阀作为液压系统的关键元件,广泛应用于航空航天等国防领域。由阀套和阀芯构成的滑阀副是伺服阀的核心部件,其加工精度要求较高,一般加工误差在1～3微米以内。径向间隙和圆角作为滑阀副的两个主要几何特性,其加工质量直接影响伺服阀的输出特性。对滑阀副径向间隙和圆角进行直接测量难度大,研究一种高效率、低成本的测量方法具有重要意义。本文通过分析径向间隙和圆角对气动流量曲线产生的影响,采用支持向量回归的方法
改革开放以来,我国医疗卫生事业快速发展,医疗服务水平显著提升。然而,人口的老龄化以及公众健康意识的增强,使得居民对医疗服务的需求急剧增长,导致医疗服务供需矛盾日益加剧。提高医疗服务的可达性,是缓解供需矛盾的有效途径,许多学者分别采用路网矢量模型和空间栅格模型研究了医疗服务的可达性。由于路网矢量模型无法评估非路网区域的可达性,而空间栅格模型的计算精度相对较差,于是本文构建了融合路网矢量模型和空间栅格
计算机视觉（Computer Vision,CV）算法已经被广泛地应用于日常生活的许多领域。伴随着物联网技术的快速发展,在嵌入式系统诸如CV算法等多媒体应用需要更高效的处理来满足其实时性要求。由于多媒体数据（如图像和视频）通常格式规整,数据处理逻辑一致且相关性不高,因此适合使用单指令多数据（Single Instruction Multiple Data,SIMD）指令来加速处理。SIMD指令能够
随着计算大量向云端迁移,越来越多的计算工作将在数据中心的服务集群上完成。容器技术契合了以应用为中心的时代的需求,被广泛使用在应用的部署当中。容器技术区别于传统的虚拟机技术,没有虚拟的硬件层,所有容器直接共用宿主机的内核。这种结构给容器带来轻量级、快启动、易迁移等优势,但与此同时,也使得容器不可避免地存在系统资源隔离不彻底的缺陷。所以,提升容器的隔离性一直是业界关注的重点。Linux系统的内核日志属
文本分类是自然语言处理领域中当前学术界和工业界最受关注的前沿问题之一。通用的文本分类算法极大依赖数量充足且类别均衡的数据集,而在实际任务中面对新闻文本数量有限且类别不均衡的情形,文本分类算法效果不佳,鲁棒性较差。此外,由于新闻具有文本风格跨度大、长文本语义丰富且表达方式多样的特点,针对新闻领域的文本分类已成为重大挑战。基于以上问题,提出了层次数据增强和学习方法框架HDAL,并应用于新闻文本分类任务
编译器测试是保证编译器质量的重要手段。现有的编译器测试技术,在测试的过程中都忽略了执行时间过长的测试程序占用了大量测试资源的问题。这里,执行时间过长的测试程序被称为为超时程序。超时程序的执行时间是正常测试程序执行时间的成百上千倍,执行这类超时程序会严重影响编译器的测试效率。同时,在大量的测试程序中,能够触发编译器缺陷的测试程序仅占少数,称为揭错测试程序,执行大量无法触发缺陷的测试程序同样也会导致编
漏洞是各种网络空间安全事件发生的根源。软件的开源化趋势成为主流,安全缺陷随着开源软件的使用和迭代快速传播。为尽早发现并修补漏洞,源代码漏洞检测技术成为研究的热点。基于深度学习的漏洞检测技术可以自主学习漏洞表征生成检测模型,减少了人工的参与,提高漏洞检测的速度和能力。然而,目前软件安全领域缺乏大规模、真实的、有效的漏洞数据集。人工构造的漏洞数据集样本类型简单、特征单一,难以支撑真实软件漏洞检测的研究
儿童脓毒症发病率高、病程发展快,发病机理复杂,在临床上呈现多样化。由于缺乏黄金诊断标准,导致了其早期诊断困难。在传统数据分析难以对高维、复杂线性关系的数据进行有效分析的情况下,可以利用机器学习来进行儿童脓毒症危险因素的识别,以实现早期诊断。针对医疗数据高缺失率、复杂相关性的特点,提出了基于机器学习的特征贡献度评估方法。使用梯度提升树构建分类预测模型,再使用树模型的夏普利加性解释（Tree SHap
＜正＞习近平总书记在党的二十大报告中指出，全面推进乡村振兴，坚持农业农村优先发展，巩固拓展脱贫攻坚成果。四川省德阳市认真学习领会党的二十大精神，自觉与学懂弄通做实习近平新时代中国特色社会主义思想贯通起来，与深入学习贯彻习近平总书记来川视察时的重要指示精神结合起来，坚持以党建为引领，以产业发展为重点，以人才赋能为关键，加快推进新时代乡村全面振兴，为全面建设社会主义现代化国家夯实广泛而深厚的基础。