基于深度学习与MRI图像的阿尔兹海默病分类

发布时间：2023-09-24 16:55

　　随着人口老龄化问题日益严峻,关于老年痴呆的研究越来越重要。阿尔兹海默病是一种最常见且无法治愈的痴呆症,因而将阿尔兹海默病患者与正常人或其他痴呆症患者正确区分显得尤为重要。近年来,深度学习的快速发展为阿尔兹海默病分类的研究指出了一个新的方向。本文主要使用ADNI数据集的磁共振成像(MRI)数据,从以下三个方面进行基于深度学习的阿尔兹海默病分类研究:1.基于深度度量学习和MRI图像的阿尔兹海默病分类。度量学习的目的是学习一种映射规则,将同类样本映射得更近、不同类样本映射得更远。这迫使映射后的特征更具分辨力;而对于分类模型而言,更具分辨力的特征能加快模型收敛,并对模型分类的效果有一定的提升。本文采用3D卷积神经网络模型,因其参数量巨大而收敛缓慢。本文将度量学习正则项添加到深度学习模型的损失函数中,使模型的特征空间更具分辨力,从而加快其收敛速度,提高其分类性能。2.基于注意力机制和MRI图像的阿尔兹海默病分类。注意力机制借鉴大脑处理视觉信号的模式,针对不同样本筛选并关注其对于目标任务的感兴趣区域。阿尔兹海默病病灶区域在不同患者间有一定差异,表现在MRI图像上的不同位置。本文考虑到注意力机制能通...

【文章页数】：92 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 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方法研究
        1.2.2 基于深度学习的阿尔兹海默病分类方法研究
    1.3 本文研究内容和组织结构
第二章 阿尔兹海默病分类和深度神经网络基础
    2.1 引言
    2.2 阿尔兹海默病分类
        2.2.1 数据介绍
        2.2.2 评价指标
    2.3 深度神经网络
        2.3.1 卷积神经网络基本单元
        2.3.2 损失函数
    2.4 基于深度学习的医学图像分析
    2.5 本章小结
第三章 基于深度度量学习和MRI图像的阿尔兹海默病分类
    3.1 引言
    3.2 度量学习
        3.2.1 分类与度量学习
        3.2.2 深度度量学习
    3.3 模型网络结构
    3.4 构建深度度量学习损失函数
    3.5 基于深度度量学习和MRI图像的阿尔兹海默病分类
        3.5.1 数据预处理
        3.5.2 模型预训练
        3.5.3 实验及分析
    3.6 本章小结
第四章 基于注意力机制和MRI图像的阿尔兹海默病分类
    4.1 引言
    4.2 注意力机制
        4.2.1 空间域注意力机制
        4.2.2 通道域注意力机制
        4.2.3 混合域注意力机制
    4.3 构建基于注意力机制的模型结构
        4.3.1 总体模型结构
        4.3.2 注意力模块
        4.3.3 注意力模块的嵌入方式
    4.4 实验及分析
        4.4.1 实验参数分析
        4.4.2 实验结果分析
    4.5 本章小结
第五章 基于多任务学习和MRI图像的阿尔兹海默病分类
    5.1 引言
    5.2 多任务学习
        5.2.1 多任务学习机制
        5.2.2 深度学习中的多任务学习
    5.3 基于多任务学习的阿尔兹海默病分类子任务
        5.3.1 阿尔兹海默病分类
        5.3.2 临床痴呆评定量表评分回归
        5.3.3 简易智力状态检查表得分回归
        5.3.4 构建多任务学习损失函数
    5.4 基于多任务学习和MRI图像的阿尔兹海默病分类
        5.4.1 算法框架
        5.4.2 模型网络结构
        5.4.3 实验及分析
    5.5 本文方法与其他方法比较
    5.6 本章小结
第六章 总结与展望
    6.1 工作内容总结
    6.2 未来展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3848390