深度学习在轻度认知障碍分类诊断中的应用

阿尔兹海默症是一种不可逆的神经退行性疾病;至今尚无彻底治愈可能;但可通过早期干预延缓其进展。轻度认知障碍是阿尔兹海默症的初始阶段;正确识别该阶段对阿尔兹海默症早期诊断继而进行早期干预意义重大。深度学习因其能够自动提取图像特征;目前已成为辅助轻度认知障碍分类诊断的研究热点。为了更好地对轻度认知障碍进行分类研究;对近年来的基于深度学习的轻度认知障碍分类诊断进行回顾。介绍了轻度认知障碍分类诊断中常用数据集;整理了各数据集数据数量、数据类型及下载地址。总结了常用的数据预处理方式以及模型评价指标。重点介绍了深度学习模型与方法在轻度认知障碍分类诊断中的应用;包括但不限于自动编码器、深度置信网络、生成对抗网络、卷积神经网络、图卷积神经网络;并指出研究中所使用的模型可解释性技术。总结了各种算法的主要思想及优缺点;并对比了基于深度学习的轻度认知障碍分类方法在公开数据集上的分类诊断表现;归纳出相关研究中尚存的不足;并对未来研究方向进行了展望。     

基于计算机辅助诊断技术的阿尔兹海默症早期分类研究综述

阿尔兹海默症（AD）作为主要的神经退行性疾病之一,已成为导致痴呆问题最常见的原因。截至目前,尚缺乏有效的针对性治疗药物和阻止疾病发展的有效治疗方式。随着计算机技术的不断发展,将计算机辅助诊断技术工具用于AD早期分类研究将为临床医生提供重要帮助。综述近些年来将传统机器学习和深度学习技术等手段用于AD的早期诊断分类的研究,研究样本主要为脑部神经成像数据（如MRI、PET）、脑电图（EEG）等生物标记物,结合机器学习方法对AD早期诊断进行分类研究。首先分析了将机器学习方法用于AD早期分类的应用,对比了采用不同算法的分类情况;其次,对比了针对受试者不同生物标记物以及采用单模态或不同模态组合方式用于AD早期分类的研究;最后介绍了AD分类面临的挑战并提出了未来的研究方向。     

深度学习技术在轻度认知障碍识别中的应用研究

基于改进Res Net的多任务深度学习框架,通过集成多模态影像数据特征提取、时序分析和空间注意力机制,能实现轻度认知障碍（Mild Cognitive Impairment,MCI）的智能识别与评估。实验结果显示,模型分类准确率85.6%,敏感度83.7%,特异度87.4%。临床评估证实系统诊断与专家组具有高度一致性,显著提高了诊断效率,并能通过可视化分析提供病灶定位和认知评估结果。     

3D迁移网络的阿尔茨海默症分类研究

阿尔兹海默症目前还无法被治愈,若能对其正确诊断,则可采用正确治疗方式延缓病人病情.为减少人工诊断的时间和成本,采用机器学习方法来辅助人工诊断阿尔兹海默症,提出了一种利用3D核磁共振成像信号来诊断的迁移学习方法.该方法采用MobileNet迁移网络来提取瓶颈特征,并增加了一个有监督训练的顶层来进一步降维和提取特征,最后在...     

基于深度学习和迁移学习的水果图像分类

图像识别作为深度学习领域内的一项重要应用,水果图像的分类识别在智慧农业以及采摘机器人等方面具有重要应用。针对以往传统图像分类算法存在泛化能力差、准确率不高等问题,提出一种在TensorFlow框架下基于深度学习和迁移学习的水果图像分类算法。该算法采用Inception-V3的部分模型结构对水果图像数据进行特征提取,采用Softmax分类器对图像特征进行分类,并通过迁移学习方式进行训练得到迁移训练模型。测试结果表明,该算法与传统水果分类算法对比,具有较高识别准确率。     

基于轻量级迁移学习的无人机航拍视频图像天气场景分类

针对传统航拍视频图像CNN模型天气分类效果差、无法满足移动设备应用以及现有天气图像数据集匮乏且场景单一的问题, 构建了晴天、雨天、雪天、雾天4类面向多场景的无人机航拍天气图像数据集, 并提出了基于轻量级迁移学习的无人机航拍视频图像天气场景分类模型. 该模型采用迁移学习的方法, 在ImageNet数据集上训练好两种轻量级CNN, 并设计3个轻量级CNN分支进行特征提取. 特征提取首先采用ECANet注意力机制改进的EfficientNet-b0作为主分支提取整幅图像特征, 并使用两个MobileNetv2分支分别对天空和非天空局部独有的深层特征进行提取. 其次, 通过Concatenate将这3个区域进行特征融合. 最后, 使用Softmax层对4类天气场景实现分类. 实验结果表明, 该方法应用于移动等计算受限设备时对于天气场景分类的识别准确率达到了97.3%, 有着较好的分类效果.     

基于迁移学习的海底底质声呐图像分类

针对海底底质分类方法缺乏自动化、分类效果不明显等问题,提出一种基于迁移学习的海底底质声呐图像分类的方法,对沙质、礁石、泥质三种底质进行了分类研究.将InceptionV3作为预训练模型,使其成为新模型的特征提取器.通过接入新的全连接层和softmax分类层,构建新模型.重新训练新模型之后准确率达到98.1％.实验表明,...     

深度迁移学习辅助的阿尔兹海默氏症早期诊断

目前越来越多的老人正在遭受着阿尔茨海默氏症AD(Alzheimer's Disease)带来的痛苦。临床研究显示,轻度认知障碍MCI(mild cognitive impairment)转化为阿尔兹海默氏症的概率很高,但是若能在MCI阶段对其进行药物治疗是可以康复的,因此提高根据核磁共振图像MRI医学图像诊断的准确率很有必要有。由于医学领域的特点,构建带标注信号的一定规模的数据集非常困难,导致现有机器学习/深度学习方法难以应用于医学影像分析以至于深度学习的结果并不理想。采用数据增广方式对原来数据集的规模进行一定数量的扩充。然后采用一种针对MRI识别的端到端的深度神经网络分类器(MCINet)。结合迁移学习方式对MCINet模型进行有效训练而不至于过拟合。实验结果表明,该方法在较少带标记训练样本的情形下,也获得较高的准确率。     

多模态集成阿尔茨海默病和轻度认知障碍分类

为了更有效而准确地诊断阿尔茨海默病(Alzheimer’s disease,AD)和轻度认知障碍(Mild Cognitive Impairment,MCI),文章提出了一种基于多模态数据(MRI、PET 和非成像数据 CSF)的集成支持向量机来分类 AD 和 MCI。该算法使用集成学习技术来综合利用不同模态数据之间相互作用产生的分类判别信息,并利用支持向量机进行分类。为了评价该算法的有效性,采用十折(10-fold)交叉验证策略来验证其性能,并在标准数据集 ADNI 上测试算法性能。实验结果表明,多模态集成支持向量机分类方法的性能优于多模态多核学习和单模态方法。     

基于迁移学习的服装图像分类模型研究

传统的服装分类方法主要是提取图像的颜色、纹理、边缘等特征,过程繁琐且分类精度较低.为了提高服装图像的分类性能和时效性,提出一种基于迁移学习的卷积神经网络服装图像分类方法.将训练好的模型在服装图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,冻结前层网络参数并精调网络模型,使其能适应服装图像的识别.选取VGG16...     

深度学习在阿尔茨海默病分类诊断中的应用

阿尔茨海默病是一种常见的神经退行性疾病,可依据神经影像学进行临床诊断。深度学习能够挖掘患者影像资料中隐含的丰富信息并完成不同阶段的病程分类,是目前计算机辅助诊断领域的研究热点。介绍阿尔茨海默病神经影像学数据集,总结经典深度学习网络模型在阿尔茨海默病分类诊断中的应用以及深度学习模型可解释性,重点对卷积神经网络与融合多网络的分类诊断方法进行梳理分析,对不同的思路和方法综合对比,讨论深度学习在阿尔茨海默病辅助诊断领域面临的挑战与未来研究方向,对提高阿尔茨海默病的临床诊断效率与早期预测准确性具有重要意义。     

Interpretable learning based Dynamic Graph Convolutional Networks for Alzheimer’s Disease analysis

Graph Convolutional Networks (GCNs) are widely applied in classification tasks by aggregating the neighborhood information of each sample to output robust node embedding. However, conventional GCN methods do not update the graph during the training process so that their effectiveness is always influenced by the quality of the input graph. Moreover, previous GCN methods lack the interpretability to limit their real applications. In this paper, a novel personalized diagnosis technique is proposed for early Alzheimer’s Disease (AD) diagnosis via coupling interpretable feature learning with dynamic graph learning into the GCN architecture. Specifically, the module of interpretable feature learning selects informative features to provide interpretability for disease diagnosis and abandons redundant features to capture inherent correlation of data points. The module of dynamic graph learning adjusts the neighborhood relationship of every data point to output robust node embedding as well as the correlations of all data points to refine the classifier. The GCN module outputs diagnosis results based on the learned inherent graph structure. All three modules are jointly optimized to perform reliable disease diagnosis at an individual level. Experiments demonstrate that our method outputs competitive diagnosis performance as well as provide interpretability for personalized disease diagnosis.     

基于特征增强金字塔网络的阿尔茨海默症早期诊断研究

阿尔茨海默症（Alzheimer’s disease, AD）作为一种不可逆转的神经退行性疾病,能在其发病初期进行干预治疗对病情的控制和改善具有重要意义。近年来,研究者广泛地使用深度学习方法对AD的核磁共振成像（Magnetic resonance imaging, MRI） 进行分析并做出早期诊断。但AD早期的脑部结构变化与正常人差别较小,目前单一尺度的分析方法难以有效捕捉到这些细小差别的特征。针对以上问题,本文提出特征增强金字塔网络（Feature enhanced pyramid network, FEPN）进行AD的MRI早期诊断,通过设计的浅层特征重提取模型利用上下文信息补充高层特征,并计算融合权重指导高低层特征图的融合,增强了上下文信息交互和多尺度特征融合的匹配度。对比实验采用Kaggle公开的Alzheimer数据集对该方法进行验证,实验结果表明,相比于其他同类方法,FEPN有效提升了4种AD脑状态（非痴呆、非常轻度痴呆、轻度痴呆、中度痴呆）MRI的分类精度。     

动态收敛微分神经网络帕金森病诊断系统

帕金森病是一种在老年人中常见的神经系统疾病,它影响患者的说话、写字和平衡能力.根据声学特征对帕金森病进行诊断可以尽早发现病情,有利于早日介入治疗.基于神经动力学方法,本文提出了一种动态收敛微分神经网络(dynamic convergent differential neural network, DCDNN),利用帕金森病的声学特征进行识别诊断.此前,对样本进行标准化、统计池特征增强和主成分分析.数值仿真实验表明所提出方法获得97.22%的准确率,比现存最好方法高斯支持向量机(Gaussian SVM)高约6个百分点.     

面向阿尔茨海默病的脑网络多频融合图核

复杂网络分析与机器学习方法相结合的阿尔茨海默病辅助诊断研究受到了越来越多的关注,其通常采用脑功能网络的方法来描述大脑活动的信息.然而,现有的成果大多基于时域信号匹配构建脑功能网络,忽略了脑活动信息在各个频段下的差异.因此,本文提出了脑网络多频融合图核的阿尔茨海默病诊断方法.首先,将功能磁共振成像产生的图像通过小波变换的方法进行分频段处理;其次,分别计算得到的各频段图像中任意两个脑区间的互信息,并设定阈值与互信息值进行比较进而构造出多频脑网络模型;然后,基于此提出面向多频脑网络模型的融合图核;最后,基于多频融合图核、采用核极限学习机在ADNI(Alzheimer’s Disease Neuroimaging Initiative)公开数据库中获取的一组数据以及在OASIS(Open Access Series of Imaging Studies)公开数据库上获取的一组数据进行阿尔茨海默病的诊断.同时,还通过实验验证了不同参数设置对诊断结果的影响.两组数据集的实验结果表明,提出的多频融合图核的辅助诊断方法能够取得最佳性能,且该方法的辅助诊断准确率在两种数据集上比对比方法的最好结果分别提高了13.79%和15.29%.     

基于噪声混淆增强特征鲁棒性的脑疾病预测

随着医学影像数据的不断发展,纵向数据分析逐渐成为了解和跟踪阿尔茨海默病（Alzheimer’s disease, AD）发病过程的重要研究方向。目前已经提出了许多纵向数据分析方法,其中多任务学习得到广泛应用,它能够集成多个时间点的影像数据,提高模型的泛化能力。大多数现有的方法能够识别不同时间点的共享特征,但这些特征中会包含一定的噪声。与此同时,不同时间点进展的潜在关联仍未得到充分的探索。本文提出了一种基于参数分解和关系诱导的多任务学习（Parameter decomposition and relation-induced multi-task learning, PDRIMTL）方法,以此从纵向数据中识别特征。该方法不仅能够识别去除噪声后的共享特征,提高共享特征的鲁棒性,而且能够对不同时间点的内在关联进行建模。结果表明,在不同时间点的结构磁共振成像（Structural magnetic resonance imaging,sMRI）数据上,该模型能够有效提高对AD鉴别的准确性。