阿爾茨海默癥（Alzheimer’s Disease,AD）是一種不可逆的大腦神經(jīng)退行性疾病。輕度認知障礙（MCI）是一種介于AD和認知正常（CN）之間的癥狀,其作為AD的早期階段,對預(yù)防和干預(yù)病情的發(fā)展非常重要。本文對基于密集卷積網(wǎng)絡(luò)的阿爾茨海默癥分類進行研究,分別給出了 AD早期診斷模型和MCI到AD的轉(zhuǎn)化預(yù)測模型,并對主動學(xué)習(xí)算法進行研究,給出一種基于多策略的批量式主動學(xué)習(xí)算法。本文的主要研究內(nèi)容如下:1、給出一種基于多尺度特征和序列學(xué)習(xí)的AD早期診斷模型。針對2D-CNN不能有效獲取磁共振成像（MRI）序列信息的問題,且考慮到MRI圖像數(shù)據(jù)集規(guī)模較小,給出一種參數(shù)量較少的三維輕量密集卷積網(wǎng)絡(luò)（3D-LDenseNet）作為基礎(chǔ)模型;針對3D-LDenseNet只能在固定感受野和局部切片序列內(nèi)提取圖像特征的問題,在模型中引入空洞卷積和卷積長短時記憶網(wǎng)絡(luò),以增強模型對于MRI圖像的多尺度特征提取能力和序列學(xué)習(xí)能力。2、給出一種基于注意力機制的MCI到AD的轉(zhuǎn)化預(yù)測模型。針對發(fā)展型MCI（progressive MCI,pMCI）和穩(wěn)定型MCI（stable MCI,sMCI）病灶區(qū)... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．５最大池化??Ｆｉｇ．?２．５?Ｍａｘ?Ｐｏｏｌｉｎｇ??池化層的主要作用是對卷積層輸出的特征圖進行壓縮，降低特征維度，并使其保持??？定的空間不變性

?基于密集卷積Ｍ絡(luò)的阿爾茨海默癥分類研究???逐一對應(yīng)。常用的池化方法主要是平均池化和最大池化。如圖２．４和圖２．５所示，平均??池化是計算滑動窗口內(nèi)的平均值，最大池化是計算滑動窗口內(nèi)的最大值。??在ＣＮＮ結(jié)構(gòu)的最后，通常會放置］個或１個以上的全連接層。全連接層的作用是??通過將本層神經(jīng)元與前層所有神經(jīng)元進行連接，從而整合特征圖中的局部信息［６６］。之后，??全連接層的輸出被傳遞至輸出層，根據(jù)不同任務(wù)采用不同的激活函數(shù)，在分類任務(wù)中通??常采用Ｓｏｆｔｍａｘ函數(shù)。??在ＣＮＮ中，卷積和池化等操作均屬于線性操作，無論經(jīng)過多少卷積層的計算，網(wǎng)??絡(luò)的輸出仍然是對輸入的線性組合。由于線性函數(shù)只能對特征進行有限的表達，限制了??模型的學(xué)習(xí)能力。因此，將非線性函數(shù)作為激活函數(shù)添加到ＣＮＮ的網(wǎng)絡(luò)結(jié)構(gòu)中，從而??增加網(wǎng)絡(luò)整體的非線性，使得網(wǎng)絡(luò)可以擬合任意函數(shù)，極大地增強了?ＣＮＮ的學(xué)習(xí)和表??達能力。由于Ｓｉｇｍｏｉｄ函數(shù)和ｔａｎｈ函數(shù)在訓(xùn)練過程中存在梯度消失的問題，導(dǎo)致模型訓(xùn)??練收斂過慢，所以目前常用的激活函數(shù)是ＲｅＬＵ函數(shù)和由ＲｅＬＵ函數(shù)改進而來的函數(shù)。??１、ＲｅＬＵ函數(shù)??ＲｅＬＵ函數(shù)的公式如式２．１所示，函數(shù)圖和導(dǎo)數(shù)圖如圖２．６所示。??ｆ?（ｘ）?＝?ｍａｘ（０，?ｊｃ）?（２．１）??ＲｅＬＵ?兩數(shù)?ＲｅＬＵ＾ｇｔ??／Ｉ?１?ｒ－＾??０．８?■?／?０－８?－??０．６?？?／?０．６?■??＂?／?＂??０４?．?／?０４??０．２?／?０．２??０??＾?０????．１?－０．Ｂ?－０?６?－０．４?－０．２?０?０?２?０?４?０６?０８?１?－１?－０?８?

２）???Ｐ－ＲｅＬＵ＾ｔｔ????Ｐ－ＲａＬＵ＃?數(shù)??ｔ?？?／?１＇????／??０．８?．?Ｘ?０．８??／??０．６?０６??＞?０４?．?ｙ?．?＞?０４?■?｜??／??０．２?－?／?０?２????／??〇?０??■０?２?－０?２??？１?－０８?－０６?－０?４?－０２?０?０２?０?４?０６?ＯＢ?１?－１?＊０．８?－０?６?－０?４?－０?２?０?０．２?０．４?０６?ＯＢ?１??Ｘ?Ｘ??圖２．７?Ｐ－ＲｅＬＵ函數(shù)及其導(dǎo)數(shù)圖??Ｆｉｇ．?２．７?Ｐ－ＲｅＬＵ?ｆｕｎｃｔｉｏｎ?ａｎｄ?ｄｅｒｉｖａｔｉｖｅ?ｇｒａｐｈ??針對ＲｅＬＵ函數(shù)會造成神經(jīng)元死亡的問題，Ｐ－ＲｅＬＵ函數(shù)＿作為ＲｅＬＵ函數(shù)的改進??版本，在負半軸增加了一個斜率ａ，并且ａ可學(xué)習(xí)。與ＲｅＬＵ相比，Ｐ－ＲｅＬＵ的訓(xùn)練效??果更好，并且收斂速度更快。當(dāng)ａ為固定值０．０１時，Ｐ－ＲｅＬＵ函數(shù)就變成了?Ｌｅａｋｙ?ＲｅＬＵ??函數(shù)。??此外，為了更好地訓(xùn)練ＣＮＮ，優(yōu)化算法也是必不可少的一部分。使用合適的優(yōu)化??算法，可以加快模型收斂并正確學(xué)習(xí)模型參數(shù)。常用的優(yōu)化算法包括隨機梯度下降??（Ｓｔｏｃｈａｓｔｉｃ?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，ＳＧＤ）算法［６９—７°】、Ｍｏｍｅｎｔｕｍ算法［７ｌ】、ＡｄａＧｒａｄ?算法［７２］、??ＲＭＳＰｒｏｐ算法丨７３１和Ａｄａｍ算法丨７４丨。??ＳＧＤ算法是深度學(xué)習(xí)中最常見和應(yīng)用最廣泛的優(yōu)化算法，其根據(jù)樣本生成分布選擇??Ｋ個獨立同分布的小批量樣本，并通過計算梯度均值得到梯度的無偏估計。雖然ＳＧＤ??算法可以利用少量樣本計算梯度

【參考文獻】：
期刊論文
[1]阿爾茨海默病早期精準診斷現(xiàn)狀及展望[J]. 王培軍,亓慧慧,王湘彬.  同濟大學(xué)學(xué)報(醫(yī)學(xué)版). 2019(01)
[2]PET顯像在阿爾茨海默病的應(yīng)用進展[J]. 牛娜,李方.  中國現(xiàn)代神經(jīng)疾病雜志. 2014(03)

碩士論文
[1]基于CNN和GWAS的阿爾茨海默癥早期診斷研究[D]. 賈龍飛.廣東工業(yè)大學(xué) 2019



本文編號：2948419