近年來,人工智能技術得到了迅速發(fā)展,深度學習作為人工智能技術的重要組成部分不僅在金融,農(nóng)業(yè),交通等領域得到廣泛應用,而且醫(yī)學領域的研究也逐漸增多,在醫(yī)學領域,深度學習在病灶分割、目標檢測、疾病診斷、圖像分類等方面取得了突出成就。在各類癌癥、腦血栓、心臟病、皮膚病、帕金森病、癲癇、抑郁癥等疾病的研究中取得了豐碩的研究成果。然而,由于一些客觀原因使得人工智能在阿爾茲海默病方面的實踐應用還相對較少。阿爾茲海默癥(Alzheimer’s disease,AD)作為一種不可逆的神經(jīng)退行性疾病,由于這種疾病通常發(fā)生在中老年人群身上,所以我們也把這種疾病俗稱為老年癡呆癥。隨著病情的發(fā)展患者通常會出現(xiàn)認知能力下降,記憶功能衰減,嚴重的會出現(xiàn)生活能力完全喪失等癥狀。目前由于對于該疾病的發(fā)病機制尚不明晰,所以依靠現(xiàn)今的醫(yī)療手段還無法根治,同時由于該疾病起病隱匿且其病情的發(fā)展往往比較緩慢,當患者癥狀明顯才得以確診時其大量神經(jīng)元已經(jīng)發(fā)生不可逆性的死亡。早發(fā)現(xiàn)、早干預是應對該疾病的最佳處理方式。近年來隨著科技的發(fā)展人們可以通過實驗室和影像學檢查等方法并綜合其它檢查結果對病情做出診斷,借助醫(yī)學影像的檢查結果可以在...

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 人工智能的發(fā)展歷程
    1.4 深度學習在醫(yī)療影像領域的進展
    1.5 章節(jié)簡介
第二章 基于深度學習的阿爾茲海默癥智能檢測和分類研究的總體框架設計
    2.1 基于深度學習的阿爾茲海默癥智能檢測和分類研究的整體設計
    2.2 神經(jīng)網(wǎng)絡模型的整體設計
    2.3 數(shù)據(jù)集的整體設計
    2.4 實驗流程的整體設計
    2.5 本章小結
第三章 阿爾茲海默癥醫(yī)學影像數(shù)據(jù)集的處理
    3.1 阿爾茲海默癥醫(yī)學影像數(shù)據(jù)集
    3.2 醫(yī)學影像數(shù)據(jù)集的預處理
        3.2.1 數(shù)據(jù)集的篩選
        3.2.2 數(shù)據(jù)集的標注
        3.2.3 數(shù)據(jù)集的格式歸一化
    3.3 醫(yī)學影像數(shù)據(jù)集的深度處理
        3.3.1 數(shù)據(jù)增強
        3.3.2 特征增強
    3.4 訓練集和測試集劃分
    3.5 本章小結
第四章 基于深度學習的阿爾茲海默癥智能檢測和分類研究的算法設計
    4.1 卷積神經(jīng)網(wǎng)絡
        4.1.1 LeNet5簡介
        4.1.2 AlexNet簡介
        4.1.3 VGG簡介
        4.1.4 GoogleNet簡介
        4.1.5 ResNet簡介
    4.2 SqueezeNet輕量級深層神經(jīng)網(wǎng)絡
    4.3 NewNet網(wǎng)絡模型
        4.3.1 改進卷積神經(jīng)網(wǎng)絡中的激活函數(shù)
        4.3.2 引入殘差思想增加跳層結構
        4.3.3 拓寬網(wǎng)絡寬度
    4.4 本章小結
第五章 實驗結果與分析
    5.1 驗環(huán)境簡介
    5.2 神經(jīng)網(wǎng)絡模型的評估方法
    5.3 二分類實驗結果分析
    5.4 四分類實驗結果分析
    5.5 幾種神經(jīng)網(wǎng)絡模型的對比
    5.6 本章小結
第六章 總結和展望
    6.1 總結
    6.2 展望
參考文獻
致謝
附件



本文編號：3846507