【摘要】：深度學(xué)習(xí)在醫(yī)療輔助診斷上發(fā)揮著越來(lái)越重要的作用。然而現(xiàn)有的深度學(xué)習(xí)方法在輔助診斷的過(guò)程中,常常會(huì)遇到數(shù)據(jù)標(biāo)簽不足的問(wèn)題,進(jìn)而影響了最后的分類效果。阿爾茲海默癥是一種普發(fā)于老年人群中的疾病,為家庭和社會(huì)的發(fā)展帶來(lái)很大的負(fù)擔(dān)。醫(yī)學(xué)上證實(shí),阿爾茲海默癥的早期診斷和干預(yù),對(duì)病癥治療具有較為重要的意義。然而,由于數(shù)據(jù)采集的成本和規(guī)范等多方面原因,標(biāo)記過(guò)的阿爾茲海默病例很少,嚴(yán)重影響了深度學(xué)習(xí)模型在該病例上的訓(xùn)練學(xué)習(xí)。本文著重從基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)和非監(jiān)督的卷積神經(jīng)網(wǎng)絡(luò)兩個(gè)角度去解決上述標(biāo)簽不足問(wèn)題,提出了三種基于非監(jiān)督深度神經(jīng)網(wǎng)絡(luò)的阿爾茲海默癥輔助診斷方法,具體的主要研究?jī)?nèi)容如下:(1)提出基于遷移學(xué)習(xí)的阿爾茲海默癥輔助診斷方法。該方法以三維MRI圖像中的三個(gè)垂直正交平面為數(shù)據(jù)源,使用在自然圖像中預(yù)訓(xùn)練的Overfeat這一卷積神經(jīng)網(wǎng)絡(luò)模型分別提取三個(gè)平面的特征,然后將三個(gè)平面的特征放入兩級(jí)分類器中實(shí)現(xiàn)對(duì)阿爾茲海默癥的自動(dòng)分類診斷。實(shí)驗(yàn)證明,利用預(yù)訓(xùn)練的Overfeat提取的數(shù)據(jù)特征能夠解決數(shù)據(jù)標(biāo)簽不足的問(wèn)題;而且,使用二級(jí)分類器可以被認(rèn)為是一種基于學(xué)習(xí)的方法減少三維數(shù)據(jù)的維度,通過(guò)選擇和組合二維視圖實(shí)現(xiàn)了對(duì)阿爾茲海默癥三維MRI數(shù)據(jù)的自動(dòng)分類診斷。(2)提出基于非監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)PCANet的阿爾茲海默癥輔助診斷方法。該方法使用PCANet來(lái)提取三維MRI數(shù)據(jù)中三個(gè)垂直相交切面的特征,其中該網(wǎng)絡(luò)中的濾波器組由傳統(tǒng)的無(wú)監(jiān)督深度學(xué)習(xí)方法組成,然后使用一個(gè)二級(jí)分類器實(shí)現(xiàn)對(duì)阿爾茲海默癥的自動(dòng)分類診斷。實(shí)驗(yàn)結(jié)果顯示,PCANet算法在阿爾茲海默癥診斷中實(shí)現(xiàn)了較佳的分類效果。(3)提出基于非監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)3D-PCANet的阿爾茲海默癥輔助診斷方法。該方法以全三維MRI數(shù)據(jù)作為數(shù)據(jù)源,通過(guò)第一步3D-PCA卷積、第二步3D-PCA卷積和輸出階段,實(shí)現(xiàn)對(duì)全三維MRI數(shù)據(jù)的特征的提取,然后使用SVM對(duì)提取的特征進(jìn)行分類,進(jìn)而實(shí)現(xiàn)對(duì)阿爾茲海默癥癥的自動(dòng)分類診斷。實(shí)驗(yàn)結(jié)果表明,與前兩種方法相比,盡管使用MRI圖像的三個(gè)垂直相交切面的方法獲得了可接受的預(yù)測(cè)精度,但完整的三維MRI圖像為AD預(yù)測(cè)提供了更多的病癥數(shù)據(jù)信息,在AD診斷中取得了更好的分類結(jié)果。
【圖文】：

2.1.1 神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的一個(gè)重要算法，通過(guò)模擬大腦神經(jīng)元的協(xié)同工作原理，實(shí)現(xiàn)對(duì)數(shù)據(jù)的學(xué)習(xí)和識(shí)別分類功能。神經(jīng)網(wǎng)絡(luò)在多個(gè)領(lǐng)域中應(yīng)用較為廣泛，特別是計(jì)算機(jī)視覺(jué)、大數(shù)據(jù)、機(jī)器人和人工智能方面取得了長(zhǎng)足的進(jìn)步發(fā)展。神經(jīng)網(wǎng)絡(luò)中神經(jīng)元[30]的構(gòu)成和大腦神經(jīng)元類似，通過(guò)從其他神經(jīng)元的輸出中獲取到有用的信息，，根據(jù)學(xué)習(xí)到的信息，輸出更深層次的信息給下個(gè)神經(jīng)元，具體的模型如圖 2.1 所示。神經(jīng)元有很多個(gè)輸入ix ，每個(gè)輸入中有權(quán)值iw ，輸入的權(quán)值能夠?qū)斎氲男畔⑦M(jìn)行處理，通常包括放大或縮小方式。神經(jīng)元得到突觸權(quán)值加權(quán)求和后的信號(hào)，若要得到最終的輸出，需要對(duì)得到的信息進(jìn)行激活函數(shù)處理。

圖 2.2 卷積神經(jīng)網(wǎng)絡(luò)模型卷積是圖像處理領(lǐng)域中常見(jiàn)的操作，可以看做是空間的一種線性操作，如公式(2.7)所示：( , ) ( , ) ( , ) ( , )a bs a t bf x y w x y w s t f x s y t \* MERGEFORMAT (2.7)公式中 f ( x , y )表示一幅圖像的灰度值， w ( s , t )表示一個(gè)m n的濾波器，在CNN 中被稱為卷積核。假設(shè)m和n 為基數(shù)，則 a ( m 1)/ 2， b ( n 1)/ 2。卷積特征是卷積核掃描區(qū)域與對(duì)應(yīng)像素加權(quán)求和的結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)中每個(gè)卷積層由很多個(gè)不同的卷積核組成，通過(guò)卷積得到不同的卷積特征，對(duì)于網(wǎng)絡(luò)的同一層，卷積的特征尺寸大小是相同的。特征圖的大小主要由上層的輸出結(jié)果、層中卷積核的大小和卷積核滑動(dòng)步長(zhǎng)三個(gè)元素共同影響，如公式(2.8)所示：0 1 2 3s ( s s 1)/s\* MERGEFORMAT (2.8)其中，0s 為計(jì)算的特征圖大小，1s 是上層計(jì)算結(jié)果大小，2s 是卷積核大小，3s 是
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP18;TP391.41;R749.16

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 李陽(yáng);李小鳳;;阿爾茨海默病早期診斷的研究進(jìn)展[J];醫(yī)學(xué)綜述;2014年05期

本文編號(hào)：2599505