论文部分内容阅读
阿尔茨海默症(Alzheimers Disease,AD)是一种多发于老年群体中的发病期长、不可逆且不可治愈的神经病变疾病,俗称老年痴呆。近年来,中国人口“老龄化”的问题日益严峻,AD早期诊断的有效研究可极大缓解患者带来的家庭及社会经济压力,一定程度上为患病人群及医学诊断提供有意义的指引。因此,如何有效地对AD早期进行诊断已经成为重要的研究方向。
随着深度学习(Deep Learning,DL)与医疗技术的不断深入,越来越多的领域从传统的人工分析转换到计算机辅助诊断。核磁共振成像(Magnetic Resonance Imaging,MRI)作为日益成熟的医学影像技术之一,因MRI的不断地更新完善及其具有高维度和信息量大的特点,它已成为了研究大脑重要数据来源的工具。但是,面对高维海量的医学数据,如何高效且便捷地利用DL网络实现AD分类,仍具有一定的挑战。
为了构造操作简单、诊断准确、稳定性强的AD早期诊断框架。本文利用受试者的脑部MRI影像数据作为研究对象,结合传统方法和DL的相关方法,探寻AD、轻度认知损害(Mild Cognitive Impairment,MCI)及正常健康(Normal Control,NC)三类人群的分类方法。其主要内容如下:
(1)构建了分层集成学习(Hierarchical Ensemble Learning,HEL)框架,用于AD的分类。该框架步骤如下:第一层,通过预先训练好的DL网络提取所有MRI切片的特征矩阵,将其输入到分类器中得到切片级别的粗分类结果;第二层,将粗分类结果经由分类器分类,得到单切片的细分类结果;第三层,将细分类结果输入分类器中,得到受试者级别的AD的最终分类结果。实验结果表明,该框架在切片和受试者的集成准确率分别达到0.9358和0.9912的平均精度。
(2)结合DL的方法,构建了一维卷积神经网络(One-Dimensional Convolutional Neural Network,1-D CNN)的分类框架,用于AD分类。该框架首先利用DL网络对预处理过的所有MRI切片进行特征提取;再经由1-DCNN进行分类,实现AD的自动分类。实验数据表明,1-DCNN框架对ADvs.MCIvs.NC、ADvs.MCI、ADvs.NC、MCIvs.NC的分类结果分别达到了0.9550、0.9933、0.9945和0.9597的平均精度。
随着深度学习(Deep Learning,DL)与医疗技术的不断深入,越来越多的领域从传统的人工分析转换到计算机辅助诊断。核磁共振成像(Magnetic Resonance Imaging,MRI)作为日益成熟的医学影像技术之一,因MRI的不断地更新完善及其具有高维度和信息量大的特点,它已成为了研究大脑重要数据来源的工具。但是,面对高维海量的医学数据,如何高效且便捷地利用DL网络实现AD分类,仍具有一定的挑战。
为了构造操作简单、诊断准确、稳定性强的AD早期诊断框架。本文利用受试者的脑部MRI影像数据作为研究对象,结合传统方法和DL的相关方法,探寻AD、轻度认知损害(Mild Cognitive Impairment,MCI)及正常健康(Normal Control,NC)三类人群的分类方法。其主要内容如下:
(1)构建了分层集成学习(Hierarchical Ensemble Learning,HEL)框架,用于AD的分类。该框架步骤如下:第一层,通过预先训练好的DL网络提取所有MRI切片的特征矩阵,将其输入到分类器中得到切片级别的粗分类结果;第二层,将粗分类结果经由分类器分类,得到单切片的细分类结果;第三层,将细分类结果输入分类器中,得到受试者级别的AD的最终分类结果。实验结果表明,该框架在切片和受试者的集成准确率分别达到0.9358和0.9912的平均精度。
(2)结合DL的方法,构建了一维卷积神经网络(One-Dimensional Convolutional Neural Network,1-D CNN)的分类框架,用于AD分类。该框架首先利用DL网络对预处理过的所有MRI切片进行特征提取;再经由1-DCNN进行分类,实现AD的自动分类。实验数据表明,1-DCNN框架对ADvs.MCIvs.NC、ADvs.MCI、ADvs.NC、MCIvs.NC的分类结果分别达到了0.9550、0.9933、0.9945和0.9597的平均精度。