基于注意力机制CNN的阿尔兹海默病MRI辅助诊断方法研究

发布时间：2023-01-05 18:47

　　阿尔兹海默病（Alzheimer Disease,AD）是常见的老年性疾病之一。随着全球人口老龄化问题日益严重,AD的发病率也不断上升。轻度认知障碍（Mild cognitive Impairment,MCI）是AD的前期表现,可划分为稳定型轻度认知障碍（sMCI）和转变型轻度认知障碍（cMCI）。然而,由于轻度痴呆障碍的症状并不明显,其往往被误认为成正常衰老的表现,从而使患者错过了最佳治疗时期。因此,对MCI患者以及早期的AD患者的诊断和提前干预,对于延缓AD的发展速度具有重要的意义。目前,医学影像技术已成为人类大脑领域研究的主流工具,磁共振成像（Magnetic Resonance Imaging,MRI）可以清晰地反映出大脑内部结构,对AD早期诊断和预测具有重要作用。本文利用阿尔兹海默病以及轻度痴呆障碍患者的MRI影像数据集,通过深度学习训练出用于AD识别诊断的模型。依据数据的不同维度,本文提出了两种不同的基于深度神经网络模型的AD识别方法,分别是基于3DMRI影像数据和基于2DMRI切片数据的深度神经网络方法。在基于3DMRI数据的方法中,本文首先对数据集做了进一步的预处理,包... 

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状及发展趋势
        1.2.1 基于传统方法的阿尔兹海默病分类研究
        1.2.2 基于深度学习方法的阿尔兹海默病分类研究
    1.3 本文创新点
    1.4 本文完成的主要工作与安排
2 阿尔兹海默病诊断与深度神经网络理论知识
    2.1 阿尔兹海默病临床诊断方法
        2.1.1 认知测试量表
        2.1.2 医学影像检查
    2.2 阿尔兹海默病数据影像
        2.2.1 数据集介绍
        2.2.2 阿尔兹海默病样本分类
        2.2.3 数据预处理
        2.2.4 评价指标
    2.3 经典的深度神经网络结构
        2.3.1 卷积神经网络
        2.3.2 循环神经网络
    2.4 深度学习中的注意力机制
        2.4.1 空间注意力机制
        2.4.2 通道注意力机制
3 基于3D卷积和注意力机制的阿尔兹海默病MRI分类方法
    3.1 引言
    3.2 阿尔兹海默病MRI数据集预处理及数据增广
        3.2.1 3D图像预处理
        3.2.2 3D数据增广
    3.3 3D卷积神经网络的基本结构设计
        3.3.1 基于3D卷积的阿尔兹海默病影像数据分类基本思想
        3.3.2 基于3D卷积的骨干网络基本结构搭建
        3.3.3 基于3D卷积的残差连接网络结构搭建
        3.3.4 基于3D卷积的密集连接网络结构搭建
    3.4 密集连接注意力机制
        3.4.1 密集连接注意力模块设计
        3.4.2 密集连接注意力模块在3D卷积神经网络中的嵌入
    3.5 实验细节与结果分析
        3.5.1 实验环境
        3.5.2 数据集划分
        3.5.3 训练模型
        3.5.4 实验结果与分析
    3.6 本章小结
4 基于卷积核选择注意力机制的阿尔兹海默病MRI分类方法
    4.1 引言
    4.2 阿尔兹海默病MRI数据集预处理及数据增广
    4.3 复合卷积神经网络结构设计
        4.3.1 基于双骨干复合CNN的阿尔兹海默病影像数据分类基本思想
        4.3.2 双骨干复合卷积神经网络结构搭建
    4.4 融合通道注意力机制的复合网络结构设计
        4.4.1 通道注意力模块设计
        4.4.2 通道注意力模块在双骨干复合网络中的嵌入
    4.5 融合卷积核选择注意力机制的复合网络结构设计
        4.5.1 卷积核选择注意力机制基本思想
        4.5.2 卷积核选择注意力模块设计
        4.5.3 卷积核选择注意力模块在双骨干复合网络中的嵌入
    4.6 实验细节与结果分析
        4.6.1 数据集划分
        4.6.2 实验结果与分析
    4.7 本章小结
5 基于CNN和 RNN的阿尔兹海默病MRI分类方法
    5.1 引言
    5.2 基于CNN和 RNN的阿尔兹海默病MRI分类基本思想
        5.2.1 基于CNN和 RNN的阿尔兹海默病影像数据分类基本思想
        5.2.2 自注意力机制
    5.3 实验细节与分析
        5.3.1 数据样本
        5.3.2 预测模型
        5.3.3 综合实验分析比较
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
个人简历、在学期间发表的学术论文及取得的研究成果


【参考文献】：
期刊论文
[1]计算精神医学:机器学习在精神科的应用浅析[J]. 吴晓慧,牛志昂,方新宇,方贻儒.  中华精神科杂志. 2019 (03)
[2]机器学习算法在医疗领域中的应用[J]. 兰欣,卫荣,蔡宏伟,郭佑民,侯梦薇,邢磊,那天,陆亮.  医疗卫生装备. 2019(03)
[3]医疗人工智能的发展与挑战[J]. 孟晓宇,王忠民,景慎旗,朱甬倩,王剑,戴作雷,单红伟,唐明明,刘云.  中国数字医学. 2019(03)
[4]磁共振成像技术在阿尔茨海默病诊断中的研究进展[J]. 王潋漪.  科学咨询（科技·管理）. 2018(02)
[5]基于深度学习的医学影像诊断综述[J]. 张巧丽,赵地,迟学斌.  计算机科学. 2017(S2)
[6]2015～2100年中国人口与老龄化变动趋势[J]. 翟振武,陈佳鞠,李龙.  人口研究. 2017(04)
[7]浅谈机器学习在医学大数据中的应用[J]. 司家瑞.  科技展望. 2016(23)
[8]阿尔兹海默病发病原因及机制的研究进展[J]. 宋昕,洪羽蓉,胡秋莹.  临床和实验医学杂志. 2015(10)
[9]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[10]人工智能在医学领域中的应用[J]. 杨琴,陈家荣.  科技风. 2012(12)

博士论文
[1]神经影像学对老年性认知障碍的诊断价值[D]. 冯妍.吉林大学 2012



本文编号：3727965