基于深度学习的fMRI分类系统设计与实现

发布时间：2021-06-13 15:48

　　功能磁共振成像（fMRI）是研究人脑功能的主要技术之一,从静息态功能磁共振成像（rs-fMRI）中获得的脑功能连接（FC）在神经影像学中被广泛应用于研究精神类疾病,有望为脑部疾病的分类或预测提供潜在的生物标记。由于脑功能连接数据维度大,数据量少的问题,常用的分类算法存在容易过拟合,识别效果差的缺陷。近年来深度学习的快速发展,给医学图像领域带来了很多新启发。生成对抗网络（GAN）在很多领域的分类任务中得到了良好的表现,然而在fMRI中的应用相对较少。本文针对脑功能连接数据样本量较小的特点,提出了一种改进的用于生成脑功能连接样本的生成对抗网络。此外,卷积神经网络（CNN）近年来在非图像领域也得到了优异的表现,本文提出一种一维卷积网络来代替目前常用的深度神经网络来对功能连接进行分类。主要研究内容如下:（1）针对脑部精神疾病的fMRI公开数据集样本量少,传统的机器学习算法容易过拟合的特点,本文提出一种改进的用于脑功能连接数据生成的生成对抗网络（FC-GAN）。该模型由生成网络、判别网络和约束网络组成,每个部分由多层的全连接神经网络组成,相互配合以提高数据生成的效果。在这项工作中,使用了变分自编... 

【文章来源】：江苏大学江苏省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

自动编码器训练过程

基于深度学习的fMRI分类系统设计与实现122.3生成对抗网络2014年，Goodfellow提出了生成对抗网络[29]，生成对抗网络是一种不需要大量的标注数据就能学习数据的深度表征的学习方式，近年来广泛应用在小样本的训练任务中。生成对抗网络结构如图2.2所示，其结构包括一个生成网络G和一个判别网络D，两个网络相互独立对抗训练。其中G用来捕获数据的分布形式，并生成接近真实样本的虚假样本，D用来估计样本来自真实样本的概率，通过反向传播算法分别更新两个网络以达到竞争学习的目的。本节介绍了常规的生成对抗网络和本文中使用到的Wasserstein生成对抗网络。图2.2生成对抗网络结构图Fig.2.2Generativeadversarialnetworkstructure2.3.1一般的生成对抗网络在原始的GAN结构里，生成器G和判别器D在训练过程中一直处于零和博弈中，生成器将接收到的随机噪声转化为近似真实数据的虚假数据，判别器试图学习真实数据与虚假数据之间的差异，并将他们区分开来。在最初的GAN中，G和D通过解决以下的极小极大问题来训练。minmax(,)=~Pr[()]+~[log(1(()))]（2.8）Pr和Pz是真实数据和噪声数据的分布。生成器G将噪声样本z映射到拟真的样本，用Pg来表示。当D训练的过好时，对G的优化将等同于最小化Pg和Pr的JensenShannon（JS）散度，这会导致G上的梯度消失，G将不再更新[59]。

基于深度学习的fMRI分类系统设计与实现14卷积核会得到一个加权值。每一次卷积操作实现了对矩阵部分元素的融合。卷积操作有三个特点：局部感知、参数共享和多核卷积。局部感知是指，相比神经网络全连接的方式，卷积网络每次操作只对一部分输入元素进行融合。参数共享是指，当卷积训练结束，卷积核的权重便会固定不再变化，同时在滑动卷积核进行特征提取时，卷积核权重不变，从而实现共享。多核卷积是指，为了提取更多种的特征，需要使用复数的卷积核，每一个卷积核只得到一种特征。当有数量C的卷积核时，将会得到X×Y×C的特征图，C又叫做特征图的通道数。图2.3二维卷积操作Fig.2.32D-CNNoperation2.4.2一维卷积网络（1D-CNN）1D-CNN是2D-CNN的一种特殊形式，其卷积核不是一个二维的矩阵而是一个一维矩阵，如D×1。1D-CNN的输入也通常是一维的数据，如股票数据，语音信号等。一维卷积的操作基本和二维卷积相同，也是每次对输入的一部分提取特征，通过一维卷积核匹配输入的部分元素，进行加权得到特征。一维卷积操作如图2.4所示，当输入5×1的矩阵，用3×1的卷积核进行步长为1的卷积，得到3×1的输出特征图。依据卷积过程中是否对输入数据的尺寸进行扩充，可以把卷积操作分为“Valid”和“Same”两种，图2.3和图2.4都是“Valid”方式，其输出特征图尺寸遵循以下公式计算：=+1（2.10）其中表示输出特征图的尺寸，指输入数据的尺寸，表示特征图的

【参考文献】：
期刊论文
[1]我国精神疾病流行病学调查研究概况[J]. 苏莉,韦波.  内科. 2010(04)



本文编号：3227825