基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断
在中国,越来越多的老人正在忍受着阿尔茨海默病(Alzheimer's Disease,AD)的痛苦.阿尔茨海默病俗称老年痴呆症,临床上表现为失忆、丧失语言能力等.目前,中国的阿尔茨海默病患者人数已居世界第一.因此,早期诊断阿尔茨海默病变得十分急迫.研究表明,轻度认知障碍(Mild Cognitive Impairment,MCI)转化为阿尔茨海默病的概率很高,它是介于阿尔茨海默病和正常(Healthy Control,HC)之间的一种状态.随着大数据时代的来临,机器学习方法在疾病诊断方面受到热捧.所以,研究提出使用深度学习方法实现对阿尔茨海默病、轻度认知障碍和健康人群的诊断.数据库来自网络公开数据库ADNI.原始的核磁共振图像(Magnetic Resonance Imaging,MRI)的预处理得到首都医科大学附属北京天坛医院的指导.使用卷积神经网络对降维后的实验数据进行训练.因为目前的网络模型不是针对医学图像的,所以实验的重点在于改进现有网络模型,使之达到良好的诊断效果.改进的网络模型是在图像分类方面十分出色的AlexNet网络模型.实验根据阿尔茨海默病的特点提出改进原始模型的4种算法,采用并行方式计算,使用曙光W780-G20服务器,利用8块NVIDIA Tesla K80进行GPU计算,获得4个分类器:AD vs.HC,AD vs.MCI,MCI vs.HC和ADvs.MCI vs.HC.数据集中图像总数量超过7万张,耗时不超过30分钟.最终,通过绘制ROC曲线,计算敏感度、特异度、精确度,对测试结果进行评估,得到了较好的测试结果.
阿尔茨海默病、轻度认知障碍、深度学习、卷积神经网络、增强的AlexNet网络模型、脑图像、核磁共振图像
44
TP399(计算技术、计算机技术)
国家高技术研究发展计划863计划2014AA01A302;国家自然科学基金重点项目91530324;北京市自然科学基金重点项目4161004;中国科学院计算机网络信息中心主任基金CNIC_ZR_201502
2017-12-27(万方平台首次上网日期,不代表论文的发表时间)
共11页
50-60