面向磁共振脑影像小样本分类的深度学习方法研究
发布时间：2021-03-17 20:06
大脑是人类最重要的器官之一,也是医学、神经生理学研究的重要对象之一。尽管通过多年来的努力,脑科学研究取得了长足的进步,然而脑部疾病这一种对患者自身、家庭和社会具有重大影响的疾病却一直难以被治愈。通常认为,早期发现、早期干预对脑部疾病的治疗具有十分重要的意义。在脑疾病患者早期没有出现明显症状时,磁共振影像（Magnetic Resonance Imaging,MRI）等影像学手段可为脑疾病的早期诊断提供支持。统计机器学习是现阶段不可或缺的MRI脑影像分析的手段之一。随着深度学习的兴起,如何用深度学习方法高精度完成MRI脑影像分析成为近年来相关研究领域的重点研究内容。然而,由于脑疾病成因复杂性以及当前MRI脑影像分析的高维小样本特性,导致效果不尽如人意。在此背景下,依托湖南省自然科学基金项目《基于机器学习的脑磁共振影像空间结构分析方法研究》,本文从深度学习方法层面同时结合脑科学背景知识对高维小样本问题进行研究,并应用于精神分裂症和阿兹海默症MRI脑影像的小样本分类问题。主要工作总结如下:对现有主流的应用于脑疾病诊断的多种浅层机器学习方法和经典深度学习模型在阿兹海默症和精神分裂症两种疾病的M...
【文章来源】：湖南理工学院湖南省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
LeNet-5 网络模型
湖南理工学院硕士学位论文第2章MRI脑影像小样本分类场景下经典方法性能比较研究14(a)tanh(b)sigmoid(c)ReLU(d)LeakReLU图2-5常用非线性函数图像降采样层降采样一般通过池化（pooling）操作实现。池化的作用就是更进一步的信息抽象和特征提龋常用的池化操作主要包括最大池化（maxpooling）和平均池化（averagepooling）。对于尺寸为hwdc的3维脑影像特征图，采用步长为s的池化操作，输出特征图的尺寸为111hswsdsc。设池化窗口尺寸为中kern_h，kern_w和kern_d最大池化就是取窗口中kern_hkern_wkern_d个元素的最大值，而平均池化则是取窗口中所有数据的算术平均值。2.2MRI脑影像小样本分类实验本章实验在ADNI(Alzheimer’sDiseaseNeuroimagingInitiative)阿兹海默症MRI脑影像公开数据集和COBRE(TheCenterforBiomedicalResearchExcellence)精神分裂症MRI脑影像样本集上展开。ADNIMRI脑影像数据集的下载地址为：adni.loni.usc.edu，总共包含750个脑影像和其他医学临床数据。本实验选用其中的sMRI脑影像完成阿兹海默症分类任务。COBREMRI脑影像数据集的下载地址为：http://fcon_1000.projects.nitrc.org/indi/retro/cobre.html或http://openfmri.org/，总共包含147个脑影像（72个精神分裂症患者和75个健
湖南理工学院硕士学位论文第2章MRI脑影像小样本分类场景下经典方法性能比较研究16首先使用VBM8工具包将原始脑影像中的颅骨剥离，然后通过分割操作将全脑影像分割成灰质影像、白质影像和脑脊液影像三个部分，然后采用非线性配准，补偿等操作将分割后的灰质影像（我们实验中只使用灰质影像）标准化。下一步，转而使用SPM8工具包对分割的影像通过高斯平滑核（核窗宽为：8mm8mm8mm）进行空间平滑操作。最终得到3DsMRI灰质脑影像尺寸为：121145121。为减少计算量，后续实验中我们进一步将影像样本降采样至323232。fMRI脑影像预处理我们使用SPM8工具包对4DfMRI脑影像进行处理，具体步骤如下图：Realignment头动校正SlicingTiming时间校正Nomalise标准化Smoothing数据平滑频域滤波带宽0.01~0.08Hz图2-7fMRI脑影像预处理步骤图进一步，对处理后的尺寸大小为536352140的4DfMRI脑影像使用AAL(AnatomicalAutomaticLabeling)标准脑模板[89]进行116脑区划分，以体素为单位计算116个脑区的平均时间序列，计算116个脑区平均时间序列之间的Pearson相关系数最终得到116116的功能连接矩阵数据(因功能连接矩阵对称，除CNN使用整个功能连接矩阵外，其他分类器均只使用6670维的上三角数据)，如下图所示：图2-8功能连接矩阵示意图2.2.2实验设置分类实验采用10重交叉验证。参数使用网格搜索(gridsearch)方式寻优，具体设置如下：SVM设置在Matlabv2013b平台上使用LibSVM工具包(下载地址：https://www.csie.ntu.edu.tw/~cjlin/libsvm/)中的线性SVM，惩罚系数的取值范围设定为54452,2,...,2,2。PCA+SVM设置在Matlabv2013b平台上编程实现了PCA，维数选取范围为500,1000,...,4500,5000，SVM设置同上。
【参考文献】：
期刊论文
[1]深度卷积神经网络鉴别正交特征生成及其应用[J]. 杨勃,邵泉铭,李文彬,郭观七,方欣. 电子学报. 2018(10)
[2]把握脑计划发展机遇,加强我国儿童脑外伤致残结局研究[J]. 高琦,李丽萍,祝慧萍. 伤害医学(电子版). 2017(04)
本文编号：3087645
【文章来源】：湖南理工学院湖南省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
LeNet-5 网络模型
湖南理工学院硕士学位论文第2章MRI脑影像小样本分类场景下经典方法性能比较研究14(a)tanh(b)sigmoid(c)ReLU(d)LeakReLU图2-5常用非线性函数图像降采样层降采样一般通过池化（pooling）操作实现。池化的作用就是更进一步的信息抽象和特征提龋常用的池化操作主要包括最大池化（maxpooling）和平均池化（averagepooling）。对于尺寸为hwdc的3维脑影像特征图，采用步长为s的池化操作，输出特征图的尺寸为111hswsdsc。设池化窗口尺寸为中kern_h，kern_w和kern_d最大池化就是取窗口中kern_hkern_wkern_d个元素的最大值，而平均池化则是取窗口中所有数据的算术平均值。2.2MRI脑影像小样本分类实验本章实验在ADNI(Alzheimer’sDiseaseNeuroimagingInitiative)阿兹海默症MRI脑影像公开数据集和COBRE(TheCenterforBiomedicalResearchExcellence)精神分裂症MRI脑影像样本集上展开。ADNIMRI脑影像数据集的下载地址为：adni.loni.usc.edu，总共包含750个脑影像和其他医学临床数据。本实验选用其中的sMRI脑影像完成阿兹海默症分类任务。COBREMRI脑影像数据集的下载地址为：http://fcon_1000.projects.nitrc.org/indi/retro/cobre.html或http://openfmri.org/，总共包含147个脑影像（72个精神分裂症患者和75个健
湖南理工学院硕士学位论文第2章MRI脑影像小样本分类场景下经典方法性能比较研究16首先使用VBM8工具包将原始脑影像中的颅骨剥离，然后通过分割操作将全脑影像分割成灰质影像、白质影像和脑脊液影像三个部分，然后采用非线性配准，补偿等操作将分割后的灰质影像（我们实验中只使用灰质影像）标准化。下一步，转而使用SPM8工具包对分割的影像通过高斯平滑核（核窗宽为：8mm8mm8mm）进行空间平滑操作。最终得到3DsMRI灰质脑影像尺寸为：121145121。为减少计算量，后续实验中我们进一步将影像样本降采样至323232。fMRI脑影像预处理我们使用SPM8工具包对4DfMRI脑影像进行处理，具体步骤如下图：Realignment头动校正SlicingTiming时间校正Nomalise标准化Smoothing数据平滑频域滤波带宽0.01~0.08Hz图2-7fMRI脑影像预处理步骤图进一步，对处理后的尺寸大小为536352140的4DfMRI脑影像使用AAL(AnatomicalAutomaticLabeling)标准脑模板[89]进行116脑区划分，以体素为单位计算116个脑区的平均时间序列，计算116个脑区平均时间序列之间的Pearson相关系数最终得到116116的功能连接矩阵数据(因功能连接矩阵对称，除CNN使用整个功能连接矩阵外，其他分类器均只使用6670维的上三角数据)，如下图所示：图2-8功能连接矩阵示意图2.2.2实验设置分类实验采用10重交叉验证。参数使用网格搜索(gridsearch)方式寻优，具体设置如下：SVM设置在Matlabv2013b平台上使用LibSVM工具包(下载地址：https://www.csie.ntu.edu.tw/~cjlin/libsvm/)中的线性SVM，惩罚系数的取值范围设定为54452,2,...,2,2。PCA+SVM设置在Matlabv2013b平台上编程实现了PCA，维数选取范围为500,1000,...,4500,5000，SVM设置同上。
【参考文献】：
期刊论文
[1]深度卷积神经网络鉴别正交特征生成及其应用[J]. 杨勃,邵泉铭,李文彬,郭观七,方欣. 电子学报. 2018(10)
[2]把握脑计划发展机遇,加强我国儿童脑外伤致残结局研究[J]. 高琦,李丽萍,祝慧萍. 伤害医学(电子版). 2017(04)
本文编号：3087645
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3087645.html
最近更新
教材专著
