發(fā)布時(shí)間：2021-06-13 15:48

　　功能磁共振成像（fMRI）是研究人腦功能的主要技術(shù)之一,從靜息態(tài)功能磁共振成像（rs-fMRI）中獲得的腦功能連接（FC）在神經(jīng)影像學(xué)中被廣泛應(yīng)用于研究精神類疾病,有望為腦部疾病的分類或預(yù)測提供潛在的生物標(biāo)記。由于腦功能連接數(shù)據(jù)維度大,數(shù)據(jù)量少的問題,常用的分類算法存在容易過擬合,識(shí)別效果差的缺陷。近年來深度學(xué)習(xí)的快速發(fā)展,給醫(yī)學(xué)圖像領(lǐng)域帶來了很多新啟發(fā)。生成對抗網(wǎng)絡(luò)（GAN）在很多領(lǐng)域的分類任務(wù)中得到了良好的表現(xiàn),然而在fMRI中的應(yīng)用相對較少。本文針對腦功能連接數(shù)據(jù)樣本量較小的特點(diǎn),提出了一種改進(jìn)的用于生成腦功能連接樣本的生成對抗網(wǎng)絡(luò)。此外,卷積神經(jīng)網(wǎng)絡(luò)（CNN）近年來在非圖像領(lǐng)域也得到了優(yōu)異的表現(xiàn),本文提出一種一維卷積網(wǎng)絡(luò)來代替目前常用的深度神經(jīng)網(wǎng)絡(luò)來對功能連接進(jìn)行分類。主要研究內(nèi)容如下:（1）針對腦部精神疾病的fMRI公開數(shù)據(jù)集樣本量少,傳統(tǒng)的機(jī)器學(xué)習(xí)算法容易過擬合的特點(diǎn),本文提出一種改進(jìn)的用于腦功能連接數(shù)據(jù)生成的生成對抗網(wǎng)絡(luò)（FC-GAN）。該模型由生成網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和約束網(wǎng)絡(luò)組成,每個(gè)部分由多層的全連接神經(jīng)網(wǎng)絡(luò)組成,相互配合以提高數(shù)據(jù)生成的效果。在這項(xiàng)工作中,使用了變分自編... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

自動(dòng)編碼器訓(xùn)練過程

基于深度學(xué)習(xí)的fMRI分類系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)122.3生成對抗網(wǎng)絡(luò)2014年，Goodfellow提出了生成對抗網(wǎng)絡(luò)[29]，生成對抗網(wǎng)絡(luò)是一種不需要大量的標(biāo)注數(shù)據(jù)就能學(xué)習(xí)數(shù)據(jù)的深度表征的學(xué)習(xí)方式，近年來廣泛應(yīng)用在小樣本的訓(xùn)練任務(wù)中。生成對抗網(wǎng)絡(luò)結(jié)構(gòu)如圖2.2所示，其結(jié)構(gòu)包括一個(gè)生成網(wǎng)絡(luò)G和一個(gè)判別網(wǎng)絡(luò)D，兩個(gè)網(wǎng)絡(luò)相互獨(dú)立對抗訓(xùn)練。其中G用來捕獲數(shù)據(jù)的分布形式，并生成接近真實(shí)樣本的虛假樣本，D用來估計(jì)樣本來自真實(shí)樣本的概率，通過反向傳播算法分別更新兩個(gè)網(wǎng)絡(luò)以達(dá)到競爭學(xué)習(xí)的目的。本節(jié)介紹了常規(guī)的生成對抗網(wǎng)絡(luò)和本文中使用到的Wasserstein生成對抗網(wǎng)絡(luò)。圖2.2生成對抗網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2.2Generativeadversarialnetworkstructure2.3.1一般的生成對抗網(wǎng)絡(luò)在原始的GAN結(jié)構(gòu)里，生成器G和判別器D在訓(xùn)練過程中一直處于零和博弈中，生成器將接收到的隨機(jī)噪聲轉(zhuǎn)化為近似真實(shí)數(shù)據(jù)的虛假數(shù)據(jù)，判別器試圖學(xué)習(xí)真實(shí)數(shù)據(jù)與虛假數(shù)據(jù)之間的差異，并將他們區(qū)分開來。在最初的GAN中，G和D通過解決以下的極小極大問題來訓(xùn)練。minmax(,)=~Pr[()]+~[log(1(()))]（2.8）Pr和Pz是真實(shí)數(shù)據(jù)和噪聲數(shù)據(jù)的分布。生成器G將噪聲樣本z映射到擬真的樣本，用Pg來表示。當(dāng)D訓(xùn)練的過好時(shí)，對G的優(yōu)化將等同于最小化Pg和Pr的JensenShannon（JS）散度，這會(huì)導(dǎo)致G上的梯度消失，G將不再更新[59]。

基于深度學(xué)習(xí)的fMRI分類系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)14卷積核會(huì)得到一個(gè)加權(quán)值。每一次卷積操作實(shí)現(xiàn)了對矩陣部分元素的融合。卷積操作有三個(gè)特點(diǎn)：局部感知、參數(shù)共享和多核卷積。局部感知是指，相比神經(jīng)網(wǎng)絡(luò)全連接的方式，卷積網(wǎng)絡(luò)每次操作只對一部分輸入元素進(jìn)行融合。參數(shù)共享是指，當(dāng)卷積訓(xùn)練結(jié)束，卷積核的權(quán)重便會(huì)固定不再變化，同時(shí)在滑動(dòng)卷積核進(jìn)行特征提取時(shí)，卷積核權(quán)重不變，從而實(shí)現(xiàn)共享。多核卷積是指，為了提取更多種的特征，需要使用復(fù)數(shù)的卷積核，每一個(gè)卷積核只得到一種特征。當(dāng)有數(shù)量C的卷積核時(shí)，將會(huì)得到X×Y×C的特征圖，C又叫做特征圖的通道數(shù)。圖2.3二維卷積操作Fig.2.32D-CNNoperation2.4.2一維卷積網(wǎng)絡(luò)（1D-CNN）1D-CNN是2D-CNN的一種特殊形式，其卷積核不是一個(gè)二維的矩陣而是一個(gè)一維矩陣，如D×1。1D-CNN的輸入也通常是一維的數(shù)據(jù)，如股票數(shù)據(jù)，語音信號等。一維卷積的操作基本和二維卷積相同，也是每次對輸入的一部分提取特征，通過一維卷積核匹配輸入的部分元素，進(jìn)行加權(quán)得到特征。一維卷積操作如圖2.4所示，當(dāng)輸入5×1的矩陣，用3×1的卷積核進(jìn)行步長為1的卷積，得到3×1的輸出特征圖。依據(jù)卷積過程中是否對輸入數(shù)據(jù)的尺寸進(jìn)行擴(kuò)充，可以把卷積操作分為“Valid”和“Same”兩種，圖2.3和圖2.4都是“Valid”方式，其輸出特征圖尺寸遵循以下公式計(jì)算：=+1（2.10）其中表示輸出特征圖的尺寸，指輸入數(shù)據(jù)的尺寸，表示特征圖的

【參考文獻(xiàn)】：
期刊論文
[1]我國精神疾病流行病學(xué)調(diào)查研究概況[J]. 蘇莉,韋波.  內(nèi)科. 2010(04)



本文編號：3227825