论文部分内容阅读
注意缺陷多动障碍(Attention Deficit Hyperactivity Disorder,ADHD)是高发的精神障碍疾病之一,严重影响着患者及其家庭的生活;因此早诊断早治疗对患者来说至关重要。而现有的基于问卷量表的ADHD诊断缺乏客观、定量的诊断标准。近年来,深度学习已在计算机视觉领域取得了显著成绩,被广泛应用于医学图像诊断。卷积神经网络(Convolutional Neural Network,CNN)作为典型的深度学习模型能逐层提取不同级的图像特征。本文根据患者和正常发育儿童在脑部核磁共振成像中的差异,提出了三种基于CNN的ADHD自动诊断算法。本文主要研究工作如下:(1)提出基于CNN-SVM的单通道ADHD图像自动诊断方法。针对ADHD在脑部病变并不明显的问题,本文结合CNN和支持向量机(Support Vector Machine,SVM)的优势,利用SVM区分CNN所提取的层次性特征,以实现ADHD的自动诊断。该方法在ADHD-200数据集的子集上进行交叉验证实验。实验结果表明,CNN所提取的层次性特征优于传统的特征提取算法所提取的特征。(2)提出基于迁移学习和深度CNN的三通道ADHD图像自动诊断方法。如何在有限数据集的情况下,将深度CNN成功应用于医学领域是一个有待解决的问题。本文利用两种图像增强方法将单通道的ADHD图像合成为3通道的图像以满足预训练模型的输入要求,并通过引入数据扩增方法和CNN迁移学习技术来实现深度CNN在ADHD诊断上的应用。该方法在整个ADHD-200数据集上进行训练和测试。实验结果表明,本文所利用的CNN迁移学习技术和数据扩增方法可以有效避免过拟合的发生,所提算法在性能上已达到领域内先进水平。(3)提出基于改进型3D CNN的多通道ADHD图像自动诊断方法。本文根据3D图像的上下文信息,提出一种能提取多通道ADHD图像的深度空间信息的3D CNN。实验结果表明,无需对医学图像进行过多且复杂的预处理,3D CNN也能精准地诊断ADHD。综上所述,本文提出的方法能准确、客观、快速地实现ADHD自动诊断,具有临床应用价值。