阿爾茲海默癥（AD）是一種不可逆的神經(jīng)退行性大腦疾病,也是老年人群中最常見(jiàn)的癡呆癥。人工分類(lèi)阿爾茲海默癥的核磁共振影像（MRI）存在分類(lèi)延遲和分類(lèi)耗時(shí)等問(wèn)題。隨著人口老齡化的日趨嚴(yán)重,準(zhǔn)確而快速地分類(lèi)出阿爾茲海默癥患者具有重要的研究意義。將卷積神經(jīng)網(wǎng)絡(luò)（CNN）技術(shù)和核磁共振成像技術(shù)相結(jié)合,設(shè)計(jì)了一個(gè)3D-ResNet算法用于AD分類(lèi),在驗(yàn)證集上取得了98.39%的準(zhǔn)確性、96.74%的敏感性和99.99%的特異性,在測(cè)試集上取得了97.43%的準(zhǔn)確性、94.92%的敏感性和99.99%的特異性,每個(gè)患者的分類(lèi)時(shí)間是0.23 s。此外,針對(duì)AD的發(fā)病機(jī)制尚不明確的問(wèn)題,通過(guò)類(lèi)激活映射（CAM）技術(shù)來(lái)可視化與AD相關(guān)的腦部區(qū)域。 

【文章來(lái)源】：計(jì)算機(jī)工程與科學(xué). 2020,42(06)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

模型的損失函數(shù)表面

ResNet模型最先應(yīng)用于2D圖像分類(lèi),然而,對(duì)于像MRI這樣的3D醫(yī)學(xué)圖像數(shù)據(jù),空間信息在阿爾茲海默癥的分類(lèi)中起著重要作用。3D深度學(xué)習(xí)模型可以從3D MRI圖像中更好地識(shí)別解剖位置和病理特征。為了充分利用3D MRI中的上下文信息,本文擴(kuò)展了原始ResNet支持體積數(shù)據(jù)的能力,使用體積級(jí)3D-ResNet代替切片級(jí)2D-ResNet。具體來(lái)說(shuō),本文改進(jìn)了原始ResNet模型的殘差模塊,將所有2D版本的卷積層、批量標(biāo)準(zhǔn)化層和池化層調(diào)整為3D版本的,如圖2所示,圖2a為原始的2D殘差模塊,圖2b為本文提出的3D殘差模塊。3D殘差模塊的流程如算法1所示,其中,σ表示采用激活函數(shù)進(jìn)行非線性操作,BN表示歸一化操作。算法1 3D殘差模塊

本文以3D殘差模塊為基礎(chǔ),構(gòu)建了一種3D-ResNet算法用于AD分類(lèi),如圖3所示,其主要由預(yù)處理和3D-ResNet-101 2部分組成,其中101表示模型有101層。預(yù)處理部分負(fù)責(zé)將原始的166*256*256 MRI圖像分割成121*145*124的MRI灰質(zhì)圖像和121*145*121的MRI白質(zhì)圖像;3D-ResNet-101部分主要由一個(gè)7*7*7卷積層、一個(gè)3*3*3的池化層、一系列對(duì)應(yīng)不同特征通道數(shù)的3D殘差模塊和全連接層組成。3D-ResNet-101部分將預(yù)處理后的灰質(zhì)圖像和白質(zhì)圖像疊加在一起進(jìn)行端到端的訓(xùn)練,其中*3,*4,*6,*3分別代表3D殘差模塊的個(gè)數(shù),并以二分類(lèi)的形式給出模型的預(yù)測(cè)結(jié)果,NC和AD分別表示正常人和阿爾茲海默癥患者的分類(lèi)結(jié)果。3D-ResNet算法如算法2所示。算法2 3D-ResNet算法


本文編號(hào)：3234235