基于卷积循环神经网络的阿尔茨海默症早期诊断

发布时间：2021-05-18 17:51

　　早期准确诊断能延迟阿尔茨海默症（Alzheimer′s disease,AD）病情的恶化。磁共振成像（MRI）和正电子发射断层扫描（PET）已被证明有助于了解AD相关的解剖和功能性神经变化。近期研究表明,多模态特征的融合可以提高分类性能。本研究提出了一种基于卷积循环神经网络的多模态数据分类新框架,新框架结合了2D卷积神经网络和循环神经网络,以学习3D MRI和3D PET图像切分为2D切片序列之后的切片内、切片间特征,完成AD的早期诊断。本研究方法在AD与NC的分类实验中ACC为93.3%,AUC为98.1%;在MCIc与NC的分类实验准确率为83.8%,AUC为91.9%;MCIc与MCInc的分类实验准确率为79.0%,AUC为88.9%。结果表明该方法具有良好的分类性能。 

【文章来源】：生物医学工程研究. 2020,39(03)

【文章页数】：7 页

【文章目录】：
1 引 言
2 数据与方法
    2.1 数据集和预处理
    2.2 卷积循环神经网络的多模态分类模型
    2.3 图像处理
    2.4 通过2D CNN学习切片内特征
    2.5 通过BGRU学习切片间特征
    2.6 集成分类
3 结果与讨论
    3.1 实验设置
    3.2 实验结果
4 结论


【参考文献】：
期刊论文
[1]基于卷积神经网络和集成学习的阿尔茨海默症早期诊断[J]. 曾安,贾龙飞,潘丹,Song Xiaowei.  生物医学工程学杂志. 2019(05)
[2]基于sMRI的阿尔茨海默症分类影响因素研究[J]. 黎建忠,曾安,潘丹,Song Xiaowei,郭慧,王卓薇.  生物医学工程研究. 2018(02)



本文编号：3194229