對大腦衰老過程的形態(tài)學和功能的研究對于以阿茲海默癥、帕金森癥為代表的神經(jīng)退行性疾病的診斷和治療有著重要作用。大腦的提前衰老會導致大腦的年齡與個體實際年齡不相同,大腦年齡的估計值可以初步而直觀地反映大腦衰老的程度。而核磁共振成像技術(shù),特別是T1加權(quán)圖像,能夠提供分辨率較高的三維影像,適合于對大腦內(nèi)部組織結(jié)構(gòu)的觀察研究。因此,基于MR圖像的大腦年齡的研究顯得更加重要�；趥鹘y(tǒng)機器學習方法對大腦年齡估計的算法,需要對大腦MR數(shù)據(jù)進行組織分割、數(shù)據(jù)降維等復雜預處理工作,且依賴于手工設(shè)計的特征,算法復雜度高而誤差較大。已有的基于深度學習的大腦年齡估計算法的模型僅由幾個卷積層堆疊而成,擬合能力不強,估計的誤差較大。針對這些問題,本文在深度學習框架下對MR圖像的大腦年齡估計展開研究。本文首先設(shè)計了一種針對二維MR切片圖像的深度學習模型來估計年齡,即基于ResNet的大腦年齡估計模型。ResNet中的殘差結(jié)構(gòu)能夠?qū)⒍说蕉说奶卣饔成浜喕癁闅埐钣成?并很好地融合中低高層語義信息。將輸入的三維核磁共振圖像沿Z軸分成多通道圖像切片輸入網(wǎng)絡(luò),在切片尺度上進行特征提取,逐層融合中低高層語義信息,并最終輸出年齡估計... 

【文章來源】：廈門大學福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

圖１．１人腦某剖面的Ｔ１加權(quán)像和Ｔ２加權(quán)像??２??

人工神經(jīng)網(wǎng)絡(luò)的參數(shù)［２９］，使得神經(jīng)網(wǎng)絡(luò)可以處理異或問題，為訓練多層神經(jīng)網(wǎng)??絡(luò)奠定了基礎(chǔ)。??１９７９?年，ＫｕｎｉｈｉｋｏＦｕｋｕｓｈｉｍａ?提出了?Ｎｅｏｃｏｇｎｉｔｒｏｎ，其中有了卷積、池化等??神經(jīng)網(wǎng)絡(luò)中計算方法。??１９８６年，Ｈｉｎｔｏｎ和Ｄａｖｉｄ?Ｒｕｍｅｌｈａｒｔ在《ｎａｔｕｒｅ》雜志上發(fā)表論文首次??對反向傳播算法在神經(jīng)網(wǎng)絡(luò)模型上的應用做了簡潔而系統(tǒng)的闡述，此算法大大降??低了神經(jīng)網(wǎng)絡(luò)模型訓練所需要的時間。由此掀起了研究人工神經(jīng)網(wǎng)絡(luò)的第二次熱??潮。如今，ＢＰ算法仍然是訓練人工神經(jīng)網(wǎng)絡(luò)的主要算法之一。??１９８９年，Ｒｏｂｅｒｔ?Ｈｅｃｈｔ－Ｎｉｅｌｓｅｎ等人證明了含有至少一個隱層的前饋人工神??經(jīng)網(wǎng)絡(luò)可以逼近任意一個閉區(qū)間內(nèi)的連續(xù)函數(shù)［３１１，因此含有隱層結(jié)構(gòu)的前饋神??經(jīng)網(wǎng)絡(luò)就可以擬合從任意的ｍ維輸入到ｎ維輸出的映射關(guān)系。單隱層的人工神??經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖２．１所示：??

如在ＡｋｘＮｅｔ網(wǎng)絡(luò)［３３］中，第一個卷積層的卷積核大小為Ｆ＝ｌｌ，步尺寸為Ｐ＝〇，輸入數(shù)據(jù)尺寸為２２７Ｘ２２７Ｘ３。輸出特征圖譜的：）／４＋１＝５５，假設(shè)卷積層的輸出特征圖譜數(shù)量（濾波器數(shù)目）為％的尺寸為５５Ｘ５５Ｘ９６，每個神經(jīng)元的連接區(qū)域大小為１１Ｘ１１Ｘ３，個神經(jīng)元的權(quán)重個數(shù)為３６４。如果每個卷積核參數(shù)都獨立，則該數(shù)為５５Ｘ５５Ｘ９６Ｘ３６４＝１０５，７０５，６００個。這個參數(shù)量規(guī)模較大，來很大負擔，因此通常采用權(quán)值共享的策略來減小參數(shù)的數(shù)量。個深度維度上的二維數(shù)據(jù)看作一個切片（ｓｌｉｃｅ），每個切片上的同的卷積核，那么在ＡｌｃｘＮｅｔ中，第一個卷積層只有％個不同卷積層的總參數(shù)個數(shù)就為１１Ｘ１１Ｘ３Ｘ９６＝３４，８４８。每個特征圖傳播時與輸入數(shù)據(jù)進行卷積，所以這樣的層稱為“卷積層”。??ｌａｙｅｒ?ｍ－ｌ?ｈｉｄｄｅｎ?ｌａｙｅｒ?ｍ??１

【參考文獻】：
博士論文
[1]腦部MR圖像分割理論研究[D]. 高婧婧.電子科技大學 2014



本文編號：3455831