基于密集卷积网络的阿尔茨海默症分类研究
发布时间：2020-12-30 22:37
阿尔茨海默症（Alzheimer’s Disease,AD）是一种不可逆的大脑神经退行性疾病。轻度认知障碍（MCI）是一种介于AD和认知正常（CN）之间的症状,其作为AD的早期阶段,对预防和干预病情的发展非常重要。本文对基于密集卷积网络的阿尔茨海默症分类进行研究,分别给出了 AD早期诊断模型和MCI到AD的转化预测模型,并对主动学习算法进行研究,给出一种基于多策略的批量式主动学习算法。本文的主要研究内容如下:1、给出一种基于多尺度特征和序列学习的AD早期诊断模型。针对2D-CNN不能有效获取磁共振成像（MRI）序列信息的问题,且考虑到MRI图像数据集规模较小,给出一种参数量较少的三维轻量密集卷积网络（3D-LDenseNet）作为基础模型;针对3D-LDenseNet只能在固定感受野和局部切片序列内提取图像特征的问题,在模型中引入空洞卷积和卷积长短时记忆网络,以增强模型对于MRI图像的多尺度特征提取能力和序列学习能力。2、给出一种基于注意力机制的MCI到AD的转化预测模型。针对发展型MCI（progressive MCI,pMCI）和稳定型MCI（stable MCI,sMCI）病灶区...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２．５最大池化??Ｆｉｇ．?２．５?Ｍａｘ?Ｐｏｏｌｉｎｇ??池化层的主要作用是对卷积层输出的特征图进行压缩，降低特征维度，并使其保持??？定的空间不变性
?基于密集卷积Ｍ络的阿尔茨海默症分类研究???逐一对应。常用的池化方法主要是平均池化和最大池化。如图２．４和图２．５所示，平均??池化是计算滑动窗口内的平均值，最大池化是计算滑动窗口内的最大值。??在ＣＮＮ结构的最后，通常会放置］个或１个以上的全连接层。全连接层的作用是??通过将本层神经元与前层所有神经元进行连接，从而整合特征图中的局部信息［６６］。之后，??全连接层的输出被传递至输出层，根据不同任务采用不同的激活函数，在分类任务中通??常采用Ｓｏｆｔｍａｘ函数。??在ＣＮＮ中，卷积和池化等操作均属于线性操作，无论经过多少卷积层的计算，网??络的输出仍然是对输入的线性组合。由于线性函数只能对特征进行有限的表达，限制了??模型的学习能力。因此，将非线性函数作为激活函数添加到ＣＮＮ的网络结构中，从而??增加网络整体的非线性，使得网络可以拟合任意函数，极大地增强了?ＣＮＮ的学习和表??达能力。由于Ｓｉｇｍｏｉｄ函数和ｔａｎｈ函数在训练过程中存在梯度消失的问题，导致模型训??练收敛过慢，所以目前常用的激活函数是ＲｅＬＵ函数和由ＲｅＬＵ函数改进而来的函数。??１、ＲｅＬＵ函数??ＲｅＬＵ函数的公式如式２．１所示，函数图和导数图如图２．６所示。??ｆ?（ｘ）?＝?ｍａｘ（０，?ｊｃ）?（２．１）??ＲｅＬＵ?兩数?ＲｅＬＵ＾ｇｔ??／Ｉ?１?ｒ－＾??０．８?■?／?０－８?－??０．６?？?／?０．６?■??＂?／?＂??０４?．?／?０４??０．２?／?０．２??０??＾?０????．１?－０．Ｂ?－０?６?－０．４?－０．２?０?０?２?０?４?０６?０８?１?－１?－０?８?
２）???Ｐ－ＲｅＬＵ＾ｔｔ????Ｐ－ＲａＬＵ＃?数??ｔ?？?／?１＇????／??０．８?．?Ｘ?０．８??／??０．６?０６??＞?０４?．?ｙ?．?＞?０４?■?｜??／??０．２?－?／?０?２????／??〇?０??■０?２?－０?２??？１?－０８?－０６?－０?４?－０２?０?０２?０?４?０６?ＯＢ?１?－１?＊０．８?－０?６?－０?４?－０?２?０?０．２?０．４?０６?ＯＢ?１??Ｘ?Ｘ??图２．７?Ｐ－ＲｅＬＵ函数及其导数图??Ｆｉｇ．?２．７?Ｐ－ＲｅＬＵ?ｆｕｎｃｔｉｏｎ?ａｎｄ?ｄｅｒｉｖａｔｉｖｅ?ｇｒａｐｈ??针对ＲｅＬＵ函数会造成神经元死亡的问题，Ｐ－ＲｅＬＵ函数＿作为ＲｅＬＵ函数的改进??版本，在负半轴增加了一个斜率ａ，并且ａ可学习。与ＲｅＬＵ相比，Ｐ－ＲｅＬＵ的训练效??果更好，并且收敛速度更快。当ａ为固定值０．０１时，Ｐ－ＲｅＬＵ函数就变成了?Ｌｅａｋｙ?ＲｅＬＵ??函数。??此外，为了更好地训练ＣＮＮ，优化算法也是必不可少的一部分。使用合适的优化??算法，可以加快模型收敛并正确学习模型参数。常用的优化算法包括随机梯度下降??（Ｓｔｏｃｈａｓｔｉｃ?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，ＳＧＤ）算法［６９—７°】、Ｍｏｍｅｎｔｕｍ算法［７ｌ】、ＡｄａＧｒａｄ?算法［７２］、??ＲＭＳＰｒｏｐ算法丨７３１和Ａｄａｍ算法丨７４丨。??ＳＧＤ算法是深度学习中最常见和应用最广泛的优化算法，其根据样本生成分布选择??Ｋ个独立同分布的小批量样本，并通过计算梯度均值得到梯度的无偏估计。虽然ＳＧＤ??算法可以利用少量样本计算梯度
【参考文献】：
期刊论文
[1]阿尔茨海默病早期精准诊断现状及展望[J]. 王培军,亓慧慧,王湘彬. 同济大学学报(医学版). 2019(01)
[2]PET显像在阿尔茨海默病的应用进展[J]. 牛娜,李方. 中国现代神经疾病杂志. 2014(03)
硕士论文
[1]基于CNN和GWAS的阿尔茨海默症早期诊断研究[D]. 贾龙飞.广东工业大学 2019
本文编号：2948419
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２．５最大池化??Ｆｉｇ．?２．５?Ｍａｘ?Ｐｏｏｌｉｎｇ??池化层的主要作用是对卷积层输出的特征图进行压缩，降低特征维度，并使其保持??？定的空间不变性
?基于密集卷积Ｍ络的阿尔茨海默症分类研究???逐一对应。常用的池化方法主要是平均池化和最大池化。如图２．４和图２．５所示，平均??池化是计算滑动窗口内的平均值，最大池化是计算滑动窗口内的最大值。??在ＣＮＮ结构的最后，通常会放置］个或１个以上的全连接层。全连接层的作用是??通过将本层神经元与前层所有神经元进行连接，从而整合特征图中的局部信息［６６］。之后，??全连接层的输出被传递至输出层，根据不同任务采用不同的激活函数，在分类任务中通??常采用Ｓｏｆｔｍａｘ函数。??在ＣＮＮ中，卷积和池化等操作均属于线性操作，无论经过多少卷积层的计算，网??络的输出仍然是对输入的线性组合。由于线性函数只能对特征进行有限的表达，限制了??模型的学习能力。因此，将非线性函数作为激活函数添加到ＣＮＮ的网络结构中，从而??增加网络整体的非线性，使得网络可以拟合任意函数，极大地增强了?ＣＮＮ的学习和表??达能力。由于Ｓｉｇｍｏｉｄ函数和ｔａｎｈ函数在训练过程中存在梯度消失的问题，导致模型训??练收敛过慢，所以目前常用的激活函数是ＲｅＬＵ函数和由ＲｅＬＵ函数改进而来的函数。??１、ＲｅＬＵ函数??ＲｅＬＵ函数的公式如式２．１所示，函数图和导数图如图２．６所示。??ｆ?（ｘ）?＝?ｍａｘ（０，?ｊｃ）?（２．１）??ＲｅＬＵ?兩数?ＲｅＬＵ＾ｇｔ??／Ｉ?１?ｒ－＾??０．８?■?／?０－８?－??０．６?？?／?０．６?■??＂?／?＂??０４?．?／?０４??０．２?／?０．２??０??＾?０????．１?－０．Ｂ?－０?６?－０．４?－０．２?０?０?２?０?４?０６?０８?１?－１?－０?８?
２）???Ｐ－ＲｅＬＵ＾ｔｔ????Ｐ－ＲａＬＵ＃?数??ｔ?？?／?１＇????／??０．８?．?Ｘ?０．８??／??０．６?０６??＞?０４?．?ｙ?．?＞?０４?■?｜??／??０．２?－?／?０?２????／??〇?０??■０?２?－０?２??？１?－０８?－０６?－０?４?－０２?０?０２?０?４?０６?ＯＢ?１?－１?＊０．８?－０?６?－０?４?－０?２?０?０．２?０．４?０６?ＯＢ?１??Ｘ?Ｘ??图２．７?Ｐ－ＲｅＬＵ函数及其导数图??Ｆｉｇ．?２．７?Ｐ－ＲｅＬＵ?ｆｕｎｃｔｉｏｎ?ａｎｄ?ｄｅｒｉｖａｔｉｖｅ?ｇｒａｐｈ??针对ＲｅＬＵ函数会造成神经元死亡的问题，Ｐ－ＲｅＬＵ函数＿作为ＲｅＬＵ函数的改进??版本，在负半轴增加了一个斜率ａ，并且ａ可学习。与ＲｅＬＵ相比，Ｐ－ＲｅＬＵ的训练效??果更好，并且收敛速度更快。当ａ为固定值０．０１时，Ｐ－ＲｅＬＵ函数就变成了?Ｌｅａｋｙ?ＲｅＬＵ??函数。??此外，为了更好地训练ＣＮＮ，优化算法也是必不可少的一部分。使用合适的优化??算法，可以加快模型收敛并正确学习模型参数。常用的优化算法包括随机梯度下降??（Ｓｔｏｃｈａｓｔｉｃ?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，ＳＧＤ）算法［６９—７°】、Ｍｏｍｅｎｔｕｍ算法［７ｌ】、ＡｄａＧｒａｄ?算法［７２］、??ＲＭＳＰｒｏｐ算法丨７３１和Ａｄａｍ算法丨７４丨。??ＳＧＤ算法是深度学习中最常见和应用最广泛的优化算法，其根据样本生成分布选择??Ｋ个独立同分布的小批量样本，并通过计算梯度均值得到梯度的无偏估计。虽然ＳＧＤ??算法可以利用少量样本计算梯度
【参考文献】：
期刊论文
[1]阿尔茨海默病早期精准诊断现状及展望[J]. 王培军,亓慧慧,王湘彬. 同济大学学报(医学版). 2019(01)
[2]PET显像在阿尔茨海默病的应用进展[J]. 牛娜,李方. 中国现代神经疾病杂志. 2014(03)
硕士论文
[1]基于CNN和GWAS的阿尔茨海默症早期诊断研究[D]. 贾龙飞.广东工业大学 2019
本文编号：2948419
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2948419.html
