基于深度卷积神经网络的注意缺陷多动障碍自动诊断研究

发布时间：2023-12-09 15:54

　　注意缺陷多动障碍(Attention Deficit Hyperactivity Disorder,ADHD)是高发的精神障碍疾病之一,严重影响着患者及其家庭的生活;因此早诊断早治疗对患者来说至关重要。而现有的基于问卷量表的ADHD诊断缺乏客观、定量的诊断标准。近年来,深度学习已在计算机视觉领域取得了显著成绩,被广泛应用于医学图像诊断。卷积神经网络(Convolutional Neural Network,CNN)作为典型的深度学习模型能逐层提取不同级的图像特征。本文根据患者和正常发育儿童在脑部核磁共振成像中的差异,提出了三种基于CNN的ADHD自动诊断算法。本文主要研究工作如下:(1)提出基于CNN-SVM的单通道ADHD图像自动诊断方法。针对ADHD在脑部病变并不明显的问题,本文结合CNN和支持向量机(Support Vector Machine,SVM)的优势,利用SVM区分CNN所提取的层次性特征,以实现ADHD的自动诊断。该方法在ADHD-200数据集的子集上进行交叉验证实验。实验结果表明,CNN所提取的层次性特征优于传统的特征提取算法所提取的特征。(2)提出基于迁移学习和深...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 卷积神经网络及其在医学领域的研究现状
        1.2.2 ADHD自动诊断的研究现状
        1.2.3 现有人工智能疾病诊断方法存在的问题
    1.3 主要研究内容
    1.4 论文结构安排
    1.5 论文使用的符号表
第2章 卷积神经网络理论知识
    2.1 卷积神经网络
    2.2 卷积神经网络的结构
        2.2.1 输入层
        2.2.2 卷积层
        2.2.3 采样层
        2.2.4 全连接层
        2.2.5 输出层
    2.3 卷积神经网络优化算法
        2.3.1 反向传播算法
        2.3.2 基于Nesterov动量的梯度下降法
    2.4 本章小结
第3章 基于CNN-SVM的单通道ADHD图像自动诊断
    3.1 问题描述
    3.2 ADHD自动诊断系统
    3.3 数据介绍
        3.3.1 实验数据来源
        3.3.2 交叉验证方法
    3.4 基于CNN-SVM的单通道ADHD图像自动诊断方法
    3.5 实验与结果分析
        3.5.1 实验平台
        3.5.2 实验内容
        3.5.3 诊断结果与分析
    3.6 本章小结
第4章 基于迁移学习与深度CNN的三通道ADHD图像自动诊断
    4.1 问题描述
    4.2 实验数据集
    4.3 ADHD图像处理方法
        4.3.1 ADHD图像增强
        4.3.2 数据扩增方法
    4.4 基于迁移学习与深度CNN的三通道ADHD自动诊断方法
        4.4.1 深度CNN架构:ADHDNet
        4.4.2 CNN训练与CNN迁移学习
    4.5 算法评价指标
    4.6 实验与结果分析
        4.6.1 实验平台
        4.6.2 实验内容
        4.6.3 诊断结果与分析
    4.7 本章小结
第5章 基于改进型3D CNN的多通道ADHD图像自动诊断
    5.1 问题描述
    5.2 实验数据集
    5.3 ADHD图像增强方法
    5.4 改进型3D CNN模型的结构
    5.5 实验与结果分析
        5.5.1 实验平台
        5.5.2 实验内容
        5.5.3 诊断结果与分析
    5.6 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3871766