基于扩散张量图像深度学习的帕金森症识别

发布时间：2022-05-03 00:48

　　帕金森氏症是一种脑部疾病,导致晃动,僵硬以及行走,平衡和协调困难。帕金森氏症患者的症状通常会在老年时逐渐开始,并随着时间的推移而加重。随着疾病的发展,人们可能难以走路和说话。他们也可能有精神和行为上的变化,睡眠问题,抑郁,记忆障碍和疲劳。这项疾病为人民与国家带来了沉重的经济负担。现如今,机器学习尤其是深度学习技术已经在比如自动驾驶、人脸检测等领域有了广泛的应用,研究表明相关技术能发现人眼所不能获取的微小特征之间的区别,并在多种医疗图像分类任务中准确率已经超过高水平人类专家。当前的基于机器学习的图像诊断技术以核磁共振成像（MRI）为主,并且其结果很难解释且鲁棒性低,无法应用到实际任务中。因此,本研究采用能体现脑部功能性数据的扩散张量影像（DTI）,并提出了一种新型的基于卷积神经网络的子区域集成帕金森氏症计算机辅助诊断框架。本框架首先提出将脑部扩散张量影像数据切割为标准的116脑网络图谱区（即116个脑部区域）,然后对90个脑部除小脑外区域利用深度卷积网络进行监督训练得到90个深度学习模型。下一步即对子区域模型利用贪婪算法进行筛选,最终对选择后的区域组合的结果进行加权平均即为最终的结果。本... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外帕金森氏症计算机辅助诊断技术研究现状
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 机器学习技术基础
    2.1 传统机器学习方法
        2.1.1 K均值聚类
        2.1.2 决策树
        2.1.3 集成学习
    2.2 深度学习方法
        2.2.1 深度置信网络
        2.2.2 卷积神经网络
    2.3 对抗样本
    2.4 本章小结
第三章 基于卷积神经网络的子区域集成帕金森氏症诊断
    3.1 帕金森氏症数据采集及预处理
        3.1.1 纳入标准
        3.1.2 扩散张量图像获取参数
        3.1.3 扩散张量图像前期预处理与子区域划分
    3.2 利用卷积网络对子区域进行帕金森氏症诊断
    3.3 子区域模型的筛选
        3.3.1 筛选依据
        3.3.2 筛选算法
    3.4 多模态诊断
    3.5 可视化技术
        3.5.1 脑部区域权重可视化
        3.5.2 图像关键点可视化
    3.6 利用对抗攻击检验诊断框架的鲁棒性
        3.6.1 攻击方法的选择
        3.6.2 不需要数据进行替身攻击
    3.7 本章小结
第四章 实验结果
    4.1 实验设置介绍
    4.2 利用子区域模型对单个脑部区域进行帕金森氏症诊断
    4.3 模型在交叉验证集中的筛选结果
    4.4 模型集成后的测试效果
    4.5 可视化技术
        4.5.1 脑部区域权重可视化
        4.5.2 图像关键点可视化
    4.6 与端到端机器学习技术的诊断效果对比
    4.7 模型鲁棒性对比
    4.8 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果


【参考文献】：
期刊论文
[1]帕金森病患者疾病的经济负担及其相关影响因素研究[J]. 王遥,殷实,刘卫国,卞鹰,王宝明,叶民,林兴建,张丽.  临床神经病学杂志. 2011(06)



本文编号：3650292