迁移学习特征提取的rs-fMRI早期轻度认知障碍分类

摘要：

早期轻度认知障碍(early mild cognitive impairment,EMCI)是阿尔兹海默症(Alzheimer's disease,AD)发生前的必经阶段,EMCI的准确诊断对AD早期预防和治疗都具有积极作用.通过静息态功能性磁共振成像(rest-state functional magnetic resonance imaging,rs-fMRI)来诊断EMCI的深度学习方法性能主要依赖如何提取特征值,而传统提取方法存在特征信息易损失和训练网络时间过长等问题.针对该问题,本文采用迁移学习的特征提取方法来对EMCI分类,首先从rs-fMRI中提取兴趣区(region of interest,ROI)时间序列,以此完成源数据的降维,然后利用MobileNet迁移网络从ROI中提取瓶颈特征,最后将该特征输入到设计的分类顶层网络以得到最后分类结果.在实验中,采用阿尔茨海默病神经影像学数据库(Alzheimer's disease neuroimaging initi-ative,ADNI)的数据进行测试,实验结果表明,本文的方法比传统方法的分类精度提高了约10％,而分类时间大约只有传统方法的25％.

关键词：轻度认知障碍;rs-fMRI;迁移学习;阿尔茨海默症;MobileNet;深度学习;机器学习;兴趣区

所属期刊栏目：16

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金项目;云南省教育厅科学研究基金项目;云南省重点应用和基础研究基金项目

在线出版日期：2021-09-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：662-672