基于深度学习的糖尿病患者的分类识别
针对糖尿病患者的分类识别准确率低的问题,提出一种结合静息态功能磁共振成像(MRI)技术和深度学习的方法来完成糖尿病患者和正常对照组的分类识别.首先,对原始的MRI图像进行预处理;再利用低频振幅(ALFF)、局部一致性(ReHo)方法对预处理后的MRI图像进行特征映射;最后,将特征映射后的图像作为卷积神经网络(CNN)的输入,在卷积神经网络中进行分类识别.实验结果表明,ReHo特征映射后的MRI图像作为卷积神经网络的输入,正常对照组与糖尿病患者的分类识别正确率为91.42%,Ⅰ型糖尿病患者与Ⅱ型糖尿病患者的分类识别正确率为94.82%,正常对照组、Ⅰ型糖尿病患者、Ⅱ型糖尿病患者的分类识别正确率为93.69%;以ALFF特征映射后的MRI图像作为卷积神经网络的输入,正常对照组与糖尿病患者的分类识别正确率为90.04%,Ⅰ型糖尿病患者与Ⅱ型糖尿病患者的分类识别正确率为96.23%,正常对照组、Ⅰ型糖尿病患者、Ⅱ型糖尿病患者的分类识别正确率为94.48%.分类准确率高于采用模糊支持向量机集成学习.
糖尿病、静息态功能磁共振成像、深度学习、卷积神经网络
38
TP391.41(计算技术、计算机技术)
广西自然科学基金重点项目2014GXNSFDA118037;广西高校重点实验室科学基金资助项目GXSCIIP201411;四川省科技计划项目2015HH0036
2018-08-21(万方平台首次上网日期,不代表论文的发表时间)
共5页
39-43