基于磁共振图像和改进的UNet++模型区分阿尔茨海默症患者和健康人群

发布时间：2021-01-29 08:50

　　阿尔茨海默症（Alzheimer’s Disease,AD）是一种神经退行性疾病,高效准确的早期诊断对其治疗至关重要.本文提出了一种融合多语义级别的深度卷积神经网络结构,基于磁共振图像,用于区分AD患者与正常受试者的方法.首先,在传统UNet++网络的基础上改进了深度监督整合算法;然后,构建了一种新的特征融合结构,进一步细化了不同语义级别的特征;最后,基于不同组织区域（白质、灰质和脑脊液）的磁共振图像,使用本文所提出的方法区分AD患者和正常受试者,并探究了从不同组织获得的信息对分类准确率的影响.实验结果表明,使用本文提出的方法区分两类人群的最高准确率为98.74%,平均准确率为98.47%,高于目前文献报道的其他方法. 

【文章来源】：波谱学杂志. 2020,37(03)北大核心

【文章页数】：11 页

【部分图文】：

预处理各阶段图像Fig.3Themagneticresonanceimagesateachpreprocessingstage

326波谱学杂志第37卷2实验2.1实验数据与环境本文实验所用的T1加权图像来自于ADNI数据库，其中AD患者198例、NC对照139例．我们将数据集分为三个子集，其中训练集数据占总数据量的70%，验证集和测试集分别占15%．在3个子集中AD样本所占比例均为46%，NC样本所占比例均为54%．采用Keras深度学习模型框架，选择Tensorflow为后端，创建了UNet++架构．实验环境为统一计算设备架构（ComputeUnifiedDeviceArchitecture，CUDA）9.0并行计算架构，CuDNN7.0.4GPU加速库，图形处理器（GraphProcessingUnit，GPU）为NVIDIAQuadroP6000，操作系统为Windows10．循环次数（Epoch）为150次，L2系数为0.00005，优化器为Adam．本文实验包含图像预处理、网络的训练阶段、验证阶段和测试阶段，具体实验流程如图4所示.在预处理阶段，本文采用FSL[23]将图像组织分割，分成白质、灰质和脑脊液三个部分．在训练阶段，将训练集图像送入UNet++网络，经过前向传播，不断地更新模型的参数；用验证集为模型提供监督指导，以保存最佳模型；在测试阶段，将预处理后的测试集图像输入到保存的最佳模型中，经过前向传播，得到最终的分类结果．预处理预处理训练集验证集测试集训练模型分析评估预测结果分类图像增强组织分割配准颅骨剔除全脑白质灰质脑脊液T1MRI图4本文的实验流程Fig.4Theexperimentalprocessinthisresearch2.2评价标准为了计算本文所提出分类框架的性能，采用准确率（Accuracy）、灵敏度（Sensitivity）、特异度（Specificity）来评价结果的质量．公式如下：TPTNAccuracyTPTNFPFN(4)TPSensitivityTPFN(5)

第3期赵尚义等：基于磁共振图像和改进的UNet++模型区分阿尔茨海默症患者和健康人群327TNSpecificityTNFP(6)其中TP为真阳性，表示被判定为AD、实际也是AD的个数；TN为真阴性，表示被判定为NC、实际也是NC的个数；FP为假阳性，表示被判定为AD、实际是NC的个数；FN为假阴性，表示被判定为NC、实际是AD的个数．3实验结果与讨论图5显示了在经过预处理后的全脑图像数据中利用改进的UNet++网络，基于训练集和验证集分别得到的AD与NC分类结果的准确率和损失曲线．由图5可以看出，训练过程在进行100次迭代后准确率和损失都得到收敛，取得了较高的训练和验证准确率．测试过程中获得的混淆矩阵如表1所示．100%95%90%85%80%75%70%65%60%55%050100150EpochAccuracyTrainingsetValidationset1.81.61.41.21.00.80.60.40.2050100150EpochLossTrainingsetValidationset(a)(b)图5(a)训练集和验证集的准确率曲线；(b)训练集和验证集的损失曲线Fig.5(a)Accuracycurvesoftrainingsetandvalidationset;(b)Losscurvesoftrainingsetandvalidationset表1测试集数据运行所得混淆矩阵Table1Confusionmatrixduringrunningthetestset预测AD预测NC真实AD100%0真实NC2.33%97.67%为测试本文所提方案的稳定性，进行了3次独立运行实验，其中各部分数据集在每次运行前均被重新分区，三次独立实验的准确率分别为98.33%、98.74%和98.33%，平均准确率为98.47%，表明利用本文提出的改进UNet++网络结构可以有效区分AD患者和NC对照．3.1超参数对分类结果的影响在深度?

【参考文献】：
期刊论文
[1]基于级联卷积神经网络的前列腺磁共振图像分类[J]. 刘可文,刘紫龙,汪香玉,陈黎,李钊,吴光耀,刘朝阳.  波谱学杂志. 2020(02)
[2]基于深度递归级联卷积神经网络的并行磁共振成像方法[J]. 程慧涛,王珊珊,柯子文,贾森,程静,丘志浪,郑海荣,梁栋.  波谱学杂志. 2019(04)



本文编号：3006615