目的基于深度學(xué)習(xí)（DL）卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法,利用醫(yī)學(xué)影像數(shù)據(jù)實(shí)現(xiàn)識(shí)別閾下抑郁（StD）患者。方法對(duì)56例StD患者和70名正常人采集MRI和fMRI數(shù)據(jù),分別輸入所構(gòu)建的CNN,利用網(wǎng)絡(luò)融合技術(shù)對(duì)2種不同模態(tài)數(shù)據(jù)進(jìn)行綜合分析,得到分類(lèi)結(jié)果;最后調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)與模型參數(shù),實(shí)現(xiàn)分類(lèi)效果最優(yōu)化。結(jié)果單獨(dú)MRI數(shù)據(jù)模型分類(lèi)精度為73.02%,單獨(dú)fMRI數(shù)據(jù)模型分類(lèi)精度為65.08%;2種模態(tài)結(jié)合,最終分類(lèi)精度升至78.57%。結(jié)論利用DL可識(shí)別StD患者與正常人;采用多種模態(tài)輸入法可提高分類(lèi)準(zhǔn)確度。 

【文章來(lái)源】：中國(guó)醫(yī)學(xué)影像技術(shù). 2020,36(08)北大核心CSCD

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

3D-CNN網(wǎng)絡(luò)模型示意圖

BrainNetCNN網(wǎng)絡(luò)模型示意圖

網(wǎng)絡(luò)融合結(jié)構(gòu)示意圖

【參考文獻(xiàn)】：
期刊論文
[1]2018年北美放射學(xué)年會(huì)心臟MRI人工智能研究進(jìn)展[J]. 陳梓嫻,林晨,倪金榮,南江,莊辛,薛敬梅,郭順林,雷軍強(qiáng).  中國(guó)醫(yī)學(xué)影像技術(shù). 2019(07)
[2]基于深度學(xué)習(xí)的X線診斷乳腺癌研究進(jìn)展[J]. 聶貞慧,劉麗東,蘇丹柯.  中國(guó)醫(yī)學(xué)影像技術(shù). 2019(05)



本文編號(hào)：3404108