[发明专利]基于改进的3D CNN网络的阿尔茨海默病分类方法

说明书

本发明公开了一种基于改进的3D CNN网络的阿尔茨海默病分类方法，该方法基于3D核磁共振数据进行训练，实现精确的脑疾病分类。该方法主要包括如下步骤：1）使用3D CNN建模：使用3D CNN替换VGG网络中的2D CNN部分；2）优化模型结构：先在模型中添加批量归一化层，再引入跳跃连接；3）实验数据处理：预处理实验数据，并划分训练集和验证集；4）模型训练：将数据输入模型，训练网络参数，并保留最优模型；5）模型测试与评估：在测试集上测试，并评估分类性能。本发明首次提出了在3D VGG模型中引入多个跳跃连接用于阿尔兹海默症诊断，性能优于现有方法，具有通用性强、鲁棒性高等优点。

技术领域

本发明涉及计算机医学图像分析领域，尤其涉及一种基于改进的3D CNN网络的阿尔茨海默病分类方法。

背景技术

阿尔兹海默症（AD）是一种暂时无法治愈的神经退行性疾病，是老年痴呆症最常见的病例，其前期状态为轻度认知障碍（MCI），病情的不断恶化，直接影响到人的记忆和认知等能力。轻度认知障碍（MCI）是介于正常衰老和痴呆之间的一种中间状态，是一种认知障碍症候群。早在2011年的AD诊断标准和指南中，MCI病例被认为是AD的早期阶段。近年来，神经影像作为AD诊断的重要生物标志物被广泛应用。其中，磁共振成像是一种非侵入式、低成本的成像技术，可以清晰的描述人脑的三维解剖结构。因此，利用神经影像数据的特征，来区分正常被试（NC）、MCI和AD也成为热点话题。

随着卷积神经网络（CNN）在计算机视觉领域的地位越来越重要，将其应用于医学影像的识别、分割等领域得到迅速发展。为了对全脑MRI进行全面分析，3D CNN具有良好的空间特征提取能力，可以更好的提取MRI的三维结构特征，学习通道之间的映射关系。因此，Hosseini-Asl等人（Hosseini-Asl E, Keynton R, El-Baz A. Alzheimer's diseasediagnostics by adaptation of 3D convolutional network[C]//2016 IEEEInternational Conference on Image Processing (ICIP). IEEE, 2016: 126-130.）结合3D CNN和卷积自编码器进行AD诊断，使用3D CAE（Convolutional AutoEncoder）进行预训练，然后使用3D CNN进行细化训练。虽然在一个每个类包含70个subject的小数据集上，AD/NC分类获得了良好的结果，但是这种方式的训练过程较为繁琐。Tang H等人（Tang H,Yao E, Tan G, et al. A Fast and Accurate 3D Fine-Tuning Convolutional NeuralNetwork for Alzheimer’s Disease Diagnosis[C]//International CCF Conference onArtificial Intelligence. Springer, Singapore, 2018: 115-126.）则对深层次的VGG结构进行改进，增加两个跳跃连接结构来结合浅层和深层的特征，缓解梯度消失的问题，并在AD/MCI/NC三分类和二分类任务上均取得较优的效果。Bakkouri I等人（Bakkouri I,Afdel K, Benois-Pineau J, et al. Recognition of Alzheimer's Disease on sMRIbased on 3D Multi-Scale CNN Features and a Gated Recurrent Fusion Unit[C]//2019 International Conference on Content-Based Multimedia Indexing (CBMI).IEEE, 2019: 1-6.）则利用3D CNN提取的多尺度特征输入门控循环单元（GRU），进行AD/MCI/NC的二分类任务，并在ADNI数据集上进行大量实验。虽然验证了这种方式可以有效避免类之间的高度相似性和过度拟合问题，但其仍然受到3D CNN提取的特征尺度大小的影响。为了防止深度卷积神经网络产生模型退化的问题，Karasawa H等人（Karasawa H, LiuC L, Ohwada H. Deep 3d convolutional neural network architectures foralzheimer’s disease diagnosis[C]//Asian Conference on Intelligent Informationand Database Systems. Springer, Cham, 2018: 287-296.）设计了类似ResNet结构的3DCNN框架用于阿尔兹海默症分类，其中卷积层有35层之多，这样可能导致模型较难训练，从而影响模型精度。