基于非监督深度神经网络的阿尔兹海默症辅助诊断方法

发布时间：2020-03-25 05:59

【摘要】：深度学习在医疗辅助诊断上发挥着越来越重要的作用。然而现有的深度学习方法在辅助诊断的过程中,常常会遇到数据标签不足的问题,进而影响了最后的分类效果。阿尔兹海默症是一种普发于老年人群中的疾病,为家庭和社会的发展带来很大的负担。医学上证实,阿尔兹海默症的早期诊断和干预,对病症治疗具有较为重要的意义。然而,由于数据采集的成本和规范等多方面原因,标记过的阿尔兹海默病例很少,严重影响了深度学习模型在该病例上的训练学习。本文着重从基于迁移学习的卷积神经网络和非监督的卷积神经网络两个角度去解决上述标签不足问题,提出了三种基于非监督深度神经网络的阿尔兹海默症辅助诊断方法,具体的主要研究内容如下:(1)提出基于迁移学习的阿尔兹海默症辅助诊断方法。该方法以三维MRI图像中的三个垂直正交平面为数据源,使用在自然图像中预训练的Overfeat这一卷积神经网络模型分别提取三个平面的特征,然后将三个平面的特征放入两级分类器中实现对阿尔兹海默症的自动分类诊断。实验证明,利用预训练的Overfeat提取的数据特征能够解决数据标签不足的问题;而且,使用二级分类器可以被认为是一种基于学习的方法减少三维数据的维度,通过选择和组合二维视图实现了对阿尔兹海默症三维MRI数据的自动分类诊断。(2)提出基于非监督深度学习网络PCANet的阿尔兹海默症辅助诊断方法。该方法使用PCANet来提取三维MRI数据中三个垂直相交切面的特征,其中该网络中的滤波器组由传统的无监督深度学习方法组成,然后使用一个二级分类器实现对阿尔兹海默症的自动分类诊断。实验结果显示,PCANet算法在阿尔兹海默症诊断中实现了较佳的分类效果。(3)提出基于非监督深度学习网络3D-PCANet的阿尔兹海默症辅助诊断方法。该方法以全三维MRI数据作为数据源,通过第一步3D-PCA卷积、第二步3D-PCA卷积和输出阶段,实现对全三维MRI数据的特征的提取,然后使用SVM对提取的特征进行分类,进而实现对阿尔兹海默症症的自动分类诊断。实验结果表明,与前两种方法相比,尽管使用MRI图像的三个垂直相交切面的方法获得了可接受的预测精度,但完整的三维MRI图像为AD预测提供了更多的病症数据信息,在AD诊断中取得了更好的分类结果。
【图文】：

神经元模型

2.1.1 神经网络模型神经网络是深度学习中的一个重要算法，通过模拟大脑神经元的协同工作原理，实现对数据的学习和识别分类功能。神经网络在多个领域中应用较为广泛，特别是计算机视觉、大数据、机器人和人工智能方面取得了长足的进步发展。神经网络中神经元[30]的构成和大脑神经元类似，通过从其他神经元的输出中获取到有用的信息，，根据学习到的信息，输出更深层次的信息给下个神经元，具体的模型如图 2.1 所示。神经元有很多个输入ix ，每个输入中有权值iw ，输入的权值能够对输入的信息进行处理，通常包括放大或缩小方式。神经元得到突触权值加权求和后的信号，若要得到最终的输出，需要对得到的信息进行激活函数处理。

模型图,模型,卷积核,卷积

图 2.2 卷积神经网络模型卷积是图像处理领域中常见的操作，可以看做是空间的一种线性操作，如公式(2.7)所示：( , ) ( , ) ( , ) ( , )a bs a t bf x y w x y w s t f x s y t \* MERGEFORMAT (2.7)公式中 f ( x , y )表示一幅图像的灰度值， w ( s , t )表示一个m n的滤波器，在CNN 中被称为卷积核。假设m和n 为基数，则 a ( m 1)/ 2， b ( n 1)/ 2。卷积特征是卷积核扫描区域与对应像素加权求和的结果。卷积神经网络中每个卷积层由很多个不同的卷积核组成，通过卷积得到不同的卷积特征，对于网络的同一层，卷积的特征尺寸大小是相同的。特征图的大小主要由上层的输出结果、层中卷积核的大小和卷积核滑动步长三个元素共同影响，如公式(2.8)所示：0 1 2 3s ( s s 1)/s\* MERGEFORMAT (2.8)其中，0s 为计算的特征图大小，1s 是上层计算结果大小，2s 是卷积核大小，3s 是
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;TP391.41;R749.16

【参考文献】