注意缺陷多動障礙(Attention Deficit Hyperactivity Disorder,ADHD)是高發(fā)的精神障礙疾病之一,嚴(yán)重影響著患者及其家庭的生活;因此早診斷早治療對患者來說至關(guān)重要。而現(xiàn)有的基于問卷量表的ADHD診斷缺乏客觀、定量的診斷標(biāo)準(zhǔn)。近年來,深度學(xué)習(xí)已在計算機視覺領(lǐng)域取得了顯著成績,被廣泛應(yīng)用于醫(yī)學(xué)圖像診斷。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)作為典型的深度學(xué)習(xí)模型能逐層提取不同級的圖像特征。本文根據(jù)患者和正常發(fā)育兒童在腦部核磁共振成像中的差異,提出了三種基于CNN的ADHD自動診斷算法。本文主要研究工作如下:(1)提出基于CNN-SVM的單通道ADHD圖像自動診斷方法。針對ADHD在腦部病變并不明顯的問題,本文結(jié)合CNN和支持向量機(Support Vector Machine,SVM)的優(yōu)勢,利用SVM區(qū)分CNN所提取的層次性特征,以實現(xiàn)ADHD的自動診斷。該方法在ADHD-200數(shù)據(jù)集的子集上進行交叉驗證實驗。實驗結(jié)果表明,CNN所提取的層次性特征優(yōu)于傳統(tǒng)的特征提取算法所提取的特征。(2)提出基于遷移學(xué)習(xí)和深...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)及其在醫(yī)學(xué)領(lǐng)域的研究現(xiàn)狀
        1.2.2 ADHD自動診斷的研究現(xiàn)狀
        1.2.3 現(xiàn)有人工智能疾病診斷方法存在的問題
    1.3 主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
    1.5 論文使用的符號表
第2章 卷積神經(jīng)網(wǎng)絡(luò)理論知識
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.2.1 輸入層
        2.2.2 卷積層
        2.2.3 采樣層
        2.2.4 全連接層
        2.2.5 輸出層
    2.3 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
        2.3.1 反向傳播算法
        2.3.2 基于Nesterov動量的梯度下降法
    2.4 本章小結(jié)
第3章 基于CNN-SVM的單通道ADHD圖像自動診斷
    3.1 問題描述
    3.2 ADHD自動診斷系統(tǒng)
    3.3 數(shù)據(jù)介紹
        3.3.1 實驗數(shù)據(jù)來源
        3.3.2 交叉驗證方法
    3.4 基于CNN-SVM的單通道ADHD圖像自動診斷方法
    3.5 實驗與結(jié)果分析
        3.5.1 實驗平臺
        3.5.2 實驗內(nèi)容
        3.5.3 診斷結(jié)果與分析
    3.6 本章小結(jié)
第4章 基于遷移學(xué)習(xí)與深度CNN的三通道ADHD圖像自動診斷
    4.1 問題描述
    4.2 實驗數(shù)據(jù)集
    4.3 ADHD圖像處理方法
        4.3.1 ADHD圖像增強
        4.3.2 數(shù)據(jù)擴增方法
    4.4 基于遷移學(xué)習(xí)與深度CNN的三通道ADHD自動診斷方法
        4.4.1 深度CNN架構(gòu):ADHDNet
        4.4.2 CNN訓(xùn)練與CNN遷移學(xué)習(xí)
    4.5 算法評價指標(biāo)
    4.6 實驗與結(jié)果分析
        4.6.1 實驗平臺
        4.6.2 實驗內(nèi)容
        4.6.3 診斷結(jié)果與分析
    4.7 本章小結(jié)
第5章 基于改進型3D CNN的多通道ADHD圖像自動診斷
    5.1 問題描述
    5.2 實驗數(shù)據(jù)集
    5.3 ADHD圖像增強方法
    5.4 改進型3D CNN模型的結(jié)構(gòu)
    5.5 實驗與結(jié)果分析
        5.5.1 實驗平臺
        5.5.2 實驗內(nèi)容
        5.5.3 診斷結(jié)果與分析
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
攻讀學(xué)位期間的研究成果



本文編號：3871766