基于结构磁共振和深度学习模型的AD病程分类研究

发布时间：2020-11-21 04:37

　　 阿尔兹海默症(Alzheimer’s Disease,AD)是一种最为常见的神经退行性疾病,随着老龄化的加深,患病人数逐年上升。AD一经发现难以逆转,因此对AD的早期诊断尤为重要。轻度认知障碍(Mild Cognitive Impairment,MCI)是介于正常老化与痴呆间的一种中间状态。若能对AD、MCI和正常老化(Normal Control,NC)人群进行区分,并对MCI可能转化为AD的患者进行早期识别,从而进行一些早期的正向干预,将有效延缓AD的发生。结构磁共振图像(structural Magnetic Resonance Imaging,sMRI)能以无创的形式捕捉大脑细微结构异常变化,但用于AD的早期检测存在着影像数据维度高、受试者异质性高等现象。深度学习算法能从大量高维数据中自动学习特征,减小人工选择的主观性,在医学图像疾病分类和预测中得到了越来越多的关注。本文采用深度学习中卷积神经网络模型,旨在基于sMRI,实现AD、MCI及NC分类,并对MCI进行转化预测。本文主要研究内容包括:1.数据选择和深度学习平台搭建。大数据是深度学习的基础,自“阿尔兹海默症神经影像学计划”即ADNI(Alzheimer’s Disease Neuroimaging Initiative)数据库建立以来,为深度学习在AD相关疾病的发展应用提供了数据素材,但也存在着数据库过于庞大与复杂等问题,所以本文首先对ADNI进行了系统的介绍以及各个阶段的sMRI数据筛选步骤说明。深度学习框架及平台搭建是运用深度学习算法解决实际问题中不可缺少的一个环节,本文中考虑到实验数据、要求等原因,选择了在Linux系统下搭建CAFFE框架,并配置了完整的CUDA环境。2.基于sMRI和深度卷积模型建立AD、LMCI、NC的分类模型研究。虽然深度卷积网络的模型在自然图像的分类中已经取得了很高的准确率,迁移学习的方法能将已经训练好的模型高效的用在新的数据集,从而克服深度学习用于医学图像的个体差异性与数量小等问题。本章运用迁移学习的方法,结合图像识别领域著名的深度卷积网络AlexNet模型对三种不同的大脑老化阶段进行分类研究,建立一套完整的AD各病程分类模型。结果显示,此分类模型可以对AD、LMCI、NC达到较好的分类效果。3.MCI转化预测的研究。本章将MCI患者分为转化型MCI(MCI converters,MCIc)和非转化型MCI(MCI non-converters,MCInc),从而实现MCI的转化风险预测研究,从中筛选出AD患病的高危人群,能够对AD起到积极地防御作用。本章将以上一章的模型为基础,对MCInc与MCIc进行转化预测,并将早期MCI(Early MCI)和晚期MCI(Late MCI)分类。结果显示,再次构建的MCI转化预测模型能够达到比较理想的效果。本研究基于sMRI数据,运用深度卷积网络模型,将AD、MCI、NC各阶段的图像特征进行提取,再结合多种算法将这些特征降维、选择、分类,从而建立一套完整的模型,以达到实现AD各病程分类,以及筛选出MCI阶段具有向AD转化的高危人群的目的。
【学位单位】：北京工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R445.2;R749.16
【部分图文】：

络（Convolutional Neural Network，CNN）[10-12]，结构示例如图1-1所示；以及自下而上的非监督学习，如堆栈自动编码器（StackedAuto Encoder，SAE）[13-17]等，结构示例如图1-2所示。这两类学习模式都可用于MCI的转换预测与AD、MCI、NC的分类中。图 1-1 深度卷积网络模型架构示例Figure 1-1 Example for CNN model framework图1-2 深度堆栈自编码器模型架构示例Figure 1-2 Example for SAE model framework

[13-17]等，结构示例如图1-2所示。这两类学习模式都可用于MCI的转换预测与AD、MCI、NC的分类中。图 1-1 深度卷积网络模型架构示例Figure 1-1 Example for CNN model framework图1-2 深度堆栈自编码器模型架构示例Figure 1-2 Example for SAE model framework

参数调优也是一项巨大的工程，这些问题都为直接使用医练新的 CNN 模型带来了困难。在众多如何将已有的深度学习知识运用域的解决方案中，迁移学习是将已有知识运用至未知但相似领域的机器，目前被广泛的认可。所谓的迁移学习来源于机器学习，主要是为了解决传统的机器学习和数无法通过半监督算法用少量已标注的数据建立一个好的分类器来应对注的数据的问题[33-34]。大量算法几乎建立在训练和测试数据均满足相同间和分布。可在现实运用中，重新收集数据与训练模型非常不实际。所决分类、回归等任务中的知识迁移就成为了当务之急。早在 1995 nowledge transfer’、‘meta learning’等方法已经出现，试图解决任务、训试集[35]分布不同。在 2005 年，研究开始致力于解决从一个或多个原任息，并将其用于目标任务[36]。这种方式更加注重目标任务，打破了原有中原任务与目标任务对等的情况，对比示例如图 1-3 所示。Torrey 等[37迁移学习的过程中往往会比原模型带来更高的初始准确率、更大的速率好的收敛性。
【相似文献】

相关期刊论文 前10条

1 姜佩杰;杨春兰;吴水才;阮祥燕;;腿部磁共振图像脂肪分割方法的研究[J];北京生物医学工程;2010年05期

2 陈慧莹;;磁共振检查别让金属来捣蛋[J];康颐;2016年09期

3 刘亚洁;;基于边缘检测算子的腰椎磁共振图像的比较[J];生物医学工程研究;2012年01期

4 高宏建;薛艳青;吴水才;艾海明;杨春兰;白燕萍;盛磊;刘伟;;基于磁共振图像的脑肿瘤自动识别与分析[J];北京工业大学学报;2012年06期

5 洪在地;贠超;赵磊;;用于神经外科手术的磁共振图像导航机器人的兼容性研究[J];机器人;2009年03期

6 苏筠洁;朱创英;吴林发;刘源;;磁共振图像上几种特殊装备伪影[J];中国医院建筑与装备;2007年04期

7 高阳;牛广明;;磁共振图像伪影及其预防[J];内蒙古医学院学报;2007年05期

8 郭定林;LMW—400磁共振图像不稳的探讨[J];医疗装备;1999年05期

9 Von J.Herzog;李贵林;;股骨头坏死的诊断 磁共振与同位素闪烁摄影、常规X线片的诊断性能之比较[J];放射学实践;1988年04期

10 Von D.Uhlenbrock;张本固;;磁共振体层照像诊断炎性肾脏病的可能性[J];放射学实践;1988年04期

相关博士学位论文 前10条

1 刘晓晖;基于压缩感知的磁共振图像稀疏重建算法研究[D];南方医科大学;2018年

2 李京津;蛋白基高生物兼容性磁共振纳米探针的制备及其分子成像研究[D];天津医科大学;2018年

3 高镔;基于单演信号的电影磁共振图像心肌运动估计算法研究[D];哈尔滨工业大学;2018年

4 崔辰;心血管磁共振组织学特征在心脏病诊断及预后评估中的价值[D];北京协和医学院;2018年

5 陈耿;基于块匹配的脑磁共振图像处理算法研究及其应用[D];西北工业大学;2016年

6 陈智峰;基于人工稀疏的磁共振非笛卡尔成像算法研究[D];浙江大学;2017年

7 张明慧;基于多图谱的脑部磁共振图像分割方法研究[D];南方医科大学;2018年

8 王玉昭;颅脑动脉磁共振定量成像技术及血流动力学研究[D];河北医科大学;2018年

9 黄世亮;磁共振图像处理中若干问题的研究[D];中国科学院研究生院（武汉物理与数学研究所）;2006年

10 龚向阳;磁共振脑表面三维重建技术及应用的研究[D];浙江大学;2007年

相关硕士学位论文 前10条

1 顾云波;基于字典学习的磁共振图像重建[D];东南大学;2018年

2 井赛;磁共振（MRI）性能测试体模研制[D];第四军医大学;2017年

3 焦健;基于低秩与稀疏分解的动态磁共振图像重建[D];燕山大学;2018年

4 张柏雯;基于结构磁共振和深度学习模型的AD病程分类研究[D];北京工业大学;2018年

5 高江伟;基于ROI-CS的磁共振快速成像技术研究及应用[D];杭州电子科技大学;2018年

6 张健;MRF ZOOM：磁共振指纹快速词典检索算法[D];杭州师范大学;2018年

7 杨茂江;3.0T磁共振IVIM成像对CT引导下经皮肺穿刺活检的应用价值研究[D];川北医学院;2018年

8 左志超;多模态磁共振评估腮腺病变的诊断价值研究[D];广西医科大学;2018年

9 王震;基于相位差补偿模型的磁共振测温技术研究[D];哈尔滨工业大学;2018年

10 梁孝;面向移动平台的磁共振弹性图像仿真与信息处理系统设计[D];合肥工业大学;2018年

本文编号：2892534