基于3D-ResNet的阿尔兹海默症分类算法研究

发布时间：2021-06-17 02:04

　　阿尔兹海默症（AD）是一种不可逆的神经退行性大脑疾病,也是老年人群中最常见的痴呆症。人工分类阿尔兹海默症的核磁共振影像（MRI）存在分类延迟和分类耗时等问题。随着人口老龄化的日趋严重,准确而快速地分类出阿尔兹海默症患者具有重要的研究意义。将卷积神经网络（CNN）技术和核磁共振成像技术相结合,设计了一个3D-ResNet算法用于AD分类,在验证集上取得了98.39%的准确性、96.74%的敏感性和99.99%的特异性,在测试集上取得了97.43%的准确性、94.92%的敏感性和99.99%的特异性,每个患者的分类时间是0.23 s。此外,针对AD的发病机制尚不明确的问题,通过类激活映射（CAM）技术来可视化与AD相关的脑部区域。 

【文章来源】：计算机工程与科学. 2020,42(06)北大核心CSCD

【文章页数】：8 页

【部分图文】：

模型的损失函数表面

ResNet模型最先应用于2D图像分类,然而,对于像MRI这样的3D医学图像数据,空间信息在阿尔兹海默症的分类中起着重要作用。3D深度学习模型可以从3D MRI图像中更好地识别解剖位置和病理特征。为了充分利用3D MRI中的上下文信息,本文扩展了原始ResNet支持体积数据的能力,使用体积级3D-ResNet代替切片级2D-ResNet。具体来说,本文改进了原始ResNet模型的残差模块,将所有2D版本的卷积层、批量标准化层和池化层调整为3D版本的,如图2所示,图2a为原始的2D残差模块,图2b为本文提出的3D残差模块。3D残差模块的流程如算法1所示,其中,σ表示采用激活函数进行非线性操作,BN表示归一化操作。算法1 3D残差模块

本文以3D残差模块为基础,构建了一种3D-ResNet算法用于AD分类,如图3所示,其主要由预处理和3D-ResNet-101 2部分组成,其中101表示模型有101层。预处理部分负责将原始的166*256*256 MRI图像分割成121*145*124的MRI灰质图像和121*145*121的MRI白质图像;3D-ResNet-101部分主要由一个7*7*7卷积层、一个3*3*3的池化层、一系列对应不同特征通道数的3D残差模块和全连接层组成。3D-ResNet-101部分将预处理后的灰质图像和白质图像叠加在一起进行端到端的训练,其中*3,*4,*6,*3分别代表3D残差模块的个数,并以二分类的形式给出模型的预测结果,NC和AD分别表示正常人和阿尔兹海默症患者的分类结果。3D-ResNet算法如算法2所示。算法2 3D-ResNet算法


本文编号：3234235