基于AlexNet模型的AD分类
阿尔兹海默症(Alzheimer’s disease,AD)一经发现难以逆转,早期诊断对延缓AD的病程发展非常重要. 虽然深度卷积网络近年来在图像识别领域有着大量突出的表现,但将从自然图像中训练得到的二维经典的深度网络直接运用到三维的结构磁共振影像(structural magnetic resonance imaging,sMRI)上进行AD疾病状态的分类还存在一些问题. 基于194 例 AD、123 例晚期轻度认知障碍(late mild cognitive impairment,LMCI)与105 例正常老化(normal control,NC)的sMRI,运用特征迁移学习的方法,从经典的深度卷积模型——AlexNet中提取各阶段受试者的图像特征,并对所提特征进行三维重组,再运用最大池化、主成分分析等方式降维,并运用向前序列选择方法对各分类组进行特征选择,最后运用支持向量机建立分类模型,实现AD、LMCI与NC的分类. 在AlexNet的三、四、五层卷积层,AD与NC的分类准确率分别为89. 93%、91. 28%、87. 25%,AD与 LMCI的分类结果分别为80. 77%、76. 92%、78. 21%,NC与LMCI的分类结果分别为72. 46%、75. 45%、73. 65%. 结果证明,通过经典卷积网络获得的特征,经过三维重组,能够较好地对AD实现分类.
AlexNet、三维特征重组、阿尔兹海默症(AD)、结构磁共振图像、迁移学习、特征提取
46
R445.2(诊断学)
北京市自然科学基金-海淀原始创新联合基金资助项目;北京市教委计划一般项目;国家科技支撑计划课题
2020-01-18（万方平台首次上网日期，不代表论文的发表时间）
共7页
68-74
