基于双线性卷积神经网络模型的阿尔茨海默病自动诊断
曾雷雷,杨帆,雷平贵,缪月红,谢弘,叶远浓
摘要(Abstract)：
目的 探讨基于双线性卷积神经网络(BRNV)模型的阿尔茨海默病(AD)自动诊断。方法 选取AD神经成像倡议(ADNI)数据库中的AD(n=93)、轻度认知功能障碍(MCI,n=76)及正常认知(NC,n=100)受试者的核磁共振图像(MRI)作为数据集,预处理后按照8∶2的比例分为训练集和验证集,同时另取ADNI中不同于以上已经选取的受试者数据150例作为测试集(AD、MCI及NC受试者各50例),将每名受试者经过预处理后的三维MRI数据转换为矢状面、冠状面及横断面2 D切片123张,最终获得AD组MCI组及NC组受试者训练集(n=9 225、7 503、9 840)、验证集(n=2 214、1 845、2 460)及测试集(n=6 150、6 150、6 150) 2 D切片;设计BRNV模型对预处理后的MRI数据进行分类预测,采用迁移学习方法为模型寻找最优的初始网络参数权重,通过BRNV模型对AD的分类效果绘制受试者工作特征曲线(ROC),以ROC曲线下面积(AUC)、准确率、特异性及敏感性评估模型的诊断价值。结果 BRNV模型对AD受试者诊断分类,准确率、AUC、特异性及敏感性分别达85. 4%、91. 3%、86. 1%及84. 2%; BRNV模型对MCI受试者诊断分类,准确率、AUC、特异性及敏感性分别达73. 3%、75. 1%、72. 0%及74. 0%。结论 BRNV模型在AD自动诊断中具有较高的准确率,有助于针对AD的计算机辅助诊断系统开发,并帮助医生提高AD的诊断效率。
关键词(KeyWords)：
阿尔茨海默病;诊断,计算机辅助;双线性卷积神经网络;磁共振图像;迁移学习;图像分类
基金项目(Foundation):
作者(Author):
曾雷雷,杨帆,雷平贵,缪月红,谢弘,叶远浓
参考文献(References)：
文章评论(Comment)：
|
||||||||||||||||||
|
||||||||||||||||||