基于深度学习的大脑MR图像年龄估计

发布时间：2021-10-24 19:16

　　对大脑衰老过程的形态学和功能的研究对于以阿兹海默症、帕金森症为代表的神经退行性疾病的诊断和治疗有着重要作用。大脑的提前衰老会导致大脑的年龄与个体实际年龄不相同,大脑年龄的估计值可以初步而直观地反映大脑衰老的程度。而核磁共振成像技术,特别是T1加权图像,能够提供分辨率较高的三维影像,适合于对大脑内部组织结构的观察研究。因此,基于MR图像的大脑年龄的研究显得更加重要。基于传统机器学习方法对大脑年龄估计的算法,需要对大脑MR数据进行组织分割、数据降维等复杂预处理工作,且依赖于手工设计的特征,算法复杂度高而误差较大。已有的基于深度学习的大脑年龄估计算法的模型仅由几个卷积层堆叠而成,拟合能力不强,估计的误差较大。针对这些问题,本文在深度学习框架下对MR图像的大脑年龄估计展开研究。本文首先设计了一种针对二维MR切片图像的深度学习模型来估计年龄,即基于ResNet的大脑年龄估计模型。ResNet中的残差结构能够将端到端的特征映射简化为残差映射,并很好地融合中低高层语义信息。将输入的三维核磁共振图像沿Z轴分成多通道图像切片输入网络,在切片尺度上进行特征提取,逐层融合中低高层语义信息,并最终输出年龄估计... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图１．１人脑某剖面的Ｔ１加权像和Ｔ２加权像??２??

人工神经网络的参数［２９］，使得神经网络可以处理异或问题，为训练多层神经网??络奠定了基础。??１９７９?年，ＫｕｎｉｈｉｋｏＦｕｋｕｓｈｉｍａ?提出了?Ｎｅｏｃｏｇｎｉｔｒｏｎ，其中有了卷积、池化等??神经网络中计算方法。??１９８６年，Ｈｉｎｔｏｎ和Ｄａｖｉｄ?Ｒｕｍｅｌｈａｒｔ在《ｎａｔｕｒｅ》杂志上发表论文首次??对反向传播算法在神经网络模型上的应用做了简洁而系统的阐述，此算法大大降??低了神经网络模型训练所需要的时间。由此掀起了研究人工神经网络的第二次热??潮。如今，ＢＰ算法仍然是训练人工神经网络的主要算法之一。??１９８９年，Ｒｏｂｅｒｔ?Ｈｅｃｈｔ－Ｎｉｅｌｓｅｎ等人证明了含有至少一个隐层的前馈人工神??经网络可以逼近任意一个闭区间内的连续函数［３１１，因此含有隐层结构的前馈神??经网络就可以拟合从任意的ｍ维输入到ｎ维输出的映射关系。单隐层的人工神??经网络结构如图２．１所示：??

如在ＡｋｘＮｅｔ网络［３３］中，第一个卷积层的卷积核大小为Ｆ＝ｌｌ，步尺寸为Ｐ＝〇，输入数据尺寸为２２７Ｘ２２７Ｘ３。输出特征图谱的：）／４＋１＝５５，假设卷积层的输出特征图谱数量（滤波器数目）为％的尺寸为５５Ｘ５５Ｘ９６，每个神经元的连接区域大小为１１Ｘ１１Ｘ３，个神经元的权重个数为３６４。如果每个卷积核参数都独立，则该数为５５Ｘ５５Ｘ９６Ｘ３６４＝１０５，７０５，６００个。这个参数量规模较大，来很大负担，因此通常采用权值共享的策略来减小参数的数量。个深度维度上的二维数据看作一个切片（ｓｌｉｃｅ），每个切片上的同的卷积核，那么在ＡｌｃｘＮｅｔ中，第一个卷积层只有％个不同卷积层的总参数个数就为１１Ｘ１１Ｘ３Ｘ９６＝３４，８４８。每个特征图传播时与输入数据进行卷积，所以这样的层称为“卷积层”。??ｌａｙｅｒ?ｍ－ｌ?ｈｉｄｄｅｎ?ｌａｙｅｒ?ｍ??１

【参考文献】：
博士论文
[1]脑部MR图像分割理论研究[D]. 高婧婧.电子科技大学 2014



本文编号：3455831