论文部分内容阅读
阿尔兹海默病(Alzheimer Disease,AD)是最常见的一种老年痴呆症,在老年人中具有极高的发病率和患病率。轻度认知障碍(Mild Cognitive Impairment,MCI)是处于正常老年人(Normal Control,NC)和痴呆的过渡阶段。有研究发现对MCI患者或者早期AD患者进行药物干预,可以改善发病症状、延缓病程进展,因而对MCI和AD患者的早期诊断或预测非常具有现实意义。在传统的AD分类研究中,主要依靠先验知识来设计用于分类任务的代表性特征,这种手动选取特征的方式费时费力,有很强的主观性。因此,本文选用了可以自动学习的深度神经网络以提取结构磁共振图像(Structural Magnetic Resonance Image,sMRI)中的深层特征,并用于AD、MCI与NC的分类研究。本文具体工作如下:1.提出了基于迁移学习和深度残差网络的阿尔兹海默病分类算法。首先,根据CNN的参数共享性,引入迁移学习的思想,将在ImageNet中预训练好的深度残差网络模型迁移至sMRI数据集中进行微调,从而替代从头开始训练一个全新的模型;此外,还计算了所有sMRI切片的熵,并按熵大小对它们进行降序排列,仅选取信息熵较大的sMRI切片用于训练CNN模型,从而增强了模型的整体稳健性;最后基于挑选出的sMRI切片进行了AD分类实验。结果表明,所提方法解决了可用医学图像样本数量少的问题,缩短了CNN模型的训练时间,在AD/NC、AD/MCI和NC/MCI等二元分类中分别达到了97.65%、90.36%和92.37%的准确性,在AD/MCI/MCI分类中也达到了87.52%的准确性。2.提出基于深层特征和非线性降维的阿尔兹海默病分类算法。首先,微调了VGG16的最后一层,用于提取sMRI切片的深层特征;然后选用LargeVis对非线性的sMRI深层特征进行降维;最后将降维后的深层特征输入到Softmax层进行分类,在AD/MCI/NC的三元分类中获得了93.52%的高准确性。此外,为了证明LargeVis的优秀性能,比较了几种经典的降维方法,结果显示,基于LargeVis降维的分类方法减少了降维过程中产生的损失,降低了算法的计算成本,并且无论是准确性还是特异性,所提方法都比PCA、MDS和t-SNE等方法优越。最后还比较了由CNN中间层特征在经过LargeVis降维后的分类性能,结果显示最后一层的特征的分类性能优于其他CNN层。总之,本文研究了深度神经网络在阿尔兹海默分类中的应用,提出两个基于卷积神经网络的阿尔兹海默病分类算法。这两个算法解决了由可用医学图像数量少和高维非线性导致的问题,提高了AD、MCI与NC的二元分类和三元分类准确性。