阿爾茨海默癥（Alzheimer’s Disease,AD）是一種神經(jīng)退行性疾病,高效準(zhǔn)確的早期診斷對(duì)其治療至關(guān)重要.本文提出了一種融合多語(yǔ)義級(jí)別的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),基于磁共振圖像,用于區(qū)分AD患者與正常受試者的方法.首先,在傳統(tǒng)UNet++網(wǎng)絡(luò)的基礎(chǔ)上改進(jìn)了深度監(jiān)督整合算法;然后,構(gòu)建了一種新的特征融合結(jié)構(gòu),進(jìn)一步細(xì)化了不同語(yǔ)義級(jí)別的特征;最后,基于不同組織區(qū)域（白質(zhì)、灰質(zhì)和腦脊液）的磁共振圖像,使用本文所提出的方法區(qū)分AD患者和正常受試者,并探究了從不同組織獲得的信息對(duì)分類準(zhǔn)確率的影響.實(shí)驗(yàn)結(jié)果表明,使用本文提出的方法區(qū)分兩類人群的最高準(zhǔn)確率為98.74%,平均準(zhǔn)確率為98.47%,高于目前文獻(xiàn)報(bào)道的其他方法. 

【文章來(lái)源】：波譜學(xué)雜志. 2020,37(03)北大核心

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

預(yù)處理各階段圖像Fig.3Themagneticresonanceimagesateachpreprocessingstage

326波譜學(xué)雜志第37卷2實(shí)驗(yàn)2.1實(shí)驗(yàn)數(shù)據(jù)與環(huán)境本文實(shí)驗(yàn)所用的T1加權(quán)圖像來(lái)自于ADNI數(shù)據(jù)庫(kù)，其中AD患者198例、NC對(duì)照139例．我們將數(shù)據(jù)集分為三個(gè)子集，其中訓(xùn)練集數(shù)據(jù)占總數(shù)據(jù)量的70%，驗(yàn)證集和測(cè)試集分別占15%．在3個(gè)子集中AD樣本所占比例均為46%，NC樣本所占比例均為54%．采用Keras深度學(xué)習(xí)模型框架，選擇Tensorflow為后端，創(chuàng)建了UNet++架構(gòu)．實(shí)驗(yàn)環(huán)境為統(tǒng)一計(jì)算設(shè)備架構(gòu)（ComputeUnifiedDeviceArchitecture，CUDA）9.0并行計(jì)算架構(gòu)，CuDNN7.0.4GPU加速庫(kù)，圖形處理器（GraphProcessingUnit，GPU）為NVIDIAQuadroP6000，操作系統(tǒng)為Windows10．循環(huán)次數(shù)（Epoch）為150次，L2系數(shù)為0.00005，優(yōu)化器為Adam．本文實(shí)驗(yàn)包含圖像預(yù)處理、網(wǎng)絡(luò)的訓(xùn)練階段、驗(yàn)證階段和測(cè)試階段，具體實(shí)驗(yàn)流程如圖4所示.在預(yù)處理階段，本文采用FSL[23]將圖像組織分割，分成白質(zhì)、灰質(zhì)和腦脊液三個(gè)部分．在訓(xùn)練階段，將訓(xùn)練集圖像送入U(xiǎn)Net++網(wǎng)絡(luò)，經(jīng)過(guò)前向傳播，不斷地更新模型的參數(shù)；用驗(yàn)證集為模型提供監(jiān)督指導(dǎo)，以保存最佳模型；在測(cè)試階段，將預(yù)處理后的測(cè)試集圖像輸入到保存的最佳模型中，經(jīng)過(guò)前向傳播，得到最終的分類結(jié)果．預(yù)處理預(yù)處理訓(xùn)練集驗(yàn)證集測(cè)試集訓(xùn)練模型分析評(píng)估預(yù)測(cè)結(jié)果分類圖像增強(qiáng)組織分割配準(zhǔn)顱骨剔除全腦白質(zhì)灰質(zhì)腦脊液T1MRI圖4本文的實(shí)驗(yàn)流程Fig.4Theexperimentalprocessinthisresearch2.2評(píng)價(jià)標(biāo)準(zhǔn)為了計(jì)算本文所提出分類框架的性能，采用準(zhǔn)確率（Accuracy）、靈敏度（Sensitivity）、特異度（Specificity）來(lái)評(píng)價(jià)結(jié)果的質(zhì)量．公式如下：TPTNAccuracyTPTNFPFN(4)TPSensitivityTPFN(5)

第3期趙尚義等：基于磁共振圖像和改進(jìn)的UNet++模型區(qū)分阿爾茨海默癥患者和健康人群327TNSpecificityTNFP(6)其中TP為真陽(yáng)性，表示被判定為AD、實(shí)際也是AD的個(gè)數(shù)；TN為真陰性，表示被判定為NC、實(shí)際也是NC的個(gè)數(shù)；FP為假陽(yáng)性，表示被判定為AD、實(shí)際是NC的個(gè)數(shù)；FN為假陰性，表示被判定為NC、實(shí)際是AD的個(gè)數(shù)．3實(shí)驗(yàn)結(jié)果與討論圖5顯示了在經(jīng)過(guò)預(yù)處理后的全腦圖像數(shù)據(jù)中利用改進(jìn)的UNet++網(wǎng)絡(luò)，基于訓(xùn)練集和驗(yàn)證集分別得到的AD與NC分類結(jié)果的準(zhǔn)確率和損失曲線．由圖5可以看出，訓(xùn)練過(guò)程在進(jìn)行100次迭代后準(zhǔn)確率和損失都得到收斂，取得了較高的訓(xùn)練和驗(yàn)證準(zhǔn)確率．測(cè)試過(guò)程中獲得的混淆矩陣如表1所示．100%95%90%85%80%75%70%65%60%55%050100150EpochAccuracyTrainingsetValidationset1.81.61.41.21.00.80.60.40.2050100150EpochLossTrainingsetValidationset(a)(b)圖5(a)訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率曲線；(b)訓(xùn)練集和驗(yàn)證集的損失曲線Fig.5(a)Accuracycurvesoftrainingsetandvalidationset;(b)Losscurvesoftrainingsetandvalidationset表1測(cè)試集數(shù)據(jù)運(yùn)行所得混淆矩陣Table1Confusionmatrixduringrunningthetestset預(yù)測(cè)AD預(yù)測(cè)NC真實(shí)AD100%0真實(shí)NC2.33%97.67%為測(cè)試本文所提方案的穩(wěn)定性，進(jìn)行了3次獨(dú)立運(yùn)行實(shí)驗(yàn)，其中各部分?jǐn)?shù)據(jù)集在每次運(yùn)行前均被重新分區(qū)，三次獨(dú)立實(shí)驗(yàn)的準(zhǔn)確率分別為98.33%、98.74%和98.33%，平均準(zhǔn)確率為98.47%，表明利用本文提出的改進(jìn)UNet++網(wǎng)絡(luò)結(jié)構(gòu)可以有效區(qū)分AD患者和NC對(duì)照．3.1超參數(shù)對(duì)分類結(jié)果的影響在深度?

【參考文獻(xiàn)】：
期刊論文
[1]基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的前列腺磁共振圖像分類[J]. 劉可文,劉紫龍,汪香玉,陳黎,李釗,吳光耀,劉朝陽(yáng).  波譜學(xué)雜志. 2020(02)
[2]基于深度遞歸級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的并行磁共振成像方法[J]. 程慧濤,王珊珊,柯子文,賈森,程靜,丘志浪,鄭海榮,梁棟.  波譜學(xué)雜志. 2019(04)



本文編號(hào)：3006615