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。     

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。     

结合集成学习与迁移学习的标签比例学习方法

标签比例学习（LLP）是一种将实例放入包中的机器学习方法,它只提供包中的实例信息和标签比例信息,而不提供标签信息。针对多个相关任务的LLP问题,提出了一种基于迁移学习的标签比例集成学习模型,简称AT-LLP,该模型通过在任务之间构建共享参数来连接相关任务,将源任务中学习到的知识迁移到目标任务中,从而提高目标任务的学习效率。同时该算法引入了集成学习算法,在分类器多轮迭代的学习过程中,不断调整训练集的权重系数,进一步将弱分类器训练为强分类器。实验表明,所提AT-LLP模型比现有LLP方法具有更好的性能。     

Heterogeneous data fusion for predicting mild cognitive impairment conversion

In the clinical study of Alzheimer’s Disease (AD) with neuroimaging data, it is challenging to identify the progressive Mild Cognitive Impairment (pMCI) subjects from the stableMCI (sMCI) subjects (i.e., the pMCI/sMCI classification) in an individual level because of small inter-group differences between two groups (i.e., pMCIs and sMCIs) as well as high intra-group variations within each group. Moreover, there are a very limited number of subjects available, which cannot guarantee to find informative and discriminative patterns for achieving high diagnostic accuracy. In this paper, we propose a novel sparse regression method to fuse the auxiliary data into the predictor data for the pMCI/sMCI classification, where the predictor data is structural Magnetic Resonance Imaging (MRI) information of both pMCI and sMCI subjects and the auxiliary data includes the ages of the subjects, the Positron Emission Tomography (PET) information of the predictor data, and the structural MRI information of AD and Normal Controls (NC). Specifically, we incorporate the auxiliary data and the predictor data into a unified framework to jointly achieve the following objectives: i) jointly selecting informative features from both the auxiliary data and the predictor data; ii) robust to outliers from both the auxiliary data and the predictor data; and iii) reducing the aging effect due to the possible cause of brain atrophy induced by both the normal aging and the disease progression. As a result, our proposed method jointly selects the useful features from the auxiliary data and the predictor data by taking into account the influence of outliers and the age of the two kinds of data, i.e., the pMCI and sMCI subjects as well as the AD and NC subjects. We further employ the linear Support Vector Machine (SVM) with the selected features of the predictor data to conduct the pMCI/sMCI classification. Experimental results on the public data of Alzheimer’s Disease Neuroimaging Initiative (ADNI) show the proposed method achieved the best classification performance, compared to the best comparison method, in terms of four evaluation metrics.     

基于小样本学习的LCD产品缺陷自动检测方法

针对高分辨率液晶显示器产品(liquid crystal display, LCD)质量在线检测需求,基于深度学习提出一种LCD缺陷自动检测方法。通过设计自适应浅层特征提取层,并引入稀疏卷积结构,多维度、多尺度的提取深层特征,采用迁移学习和深度卷积生成对抗生网络扩充数据强化训练,构建基于小样本学习的LCD表面缺陷检测模型。其特征在于,采用设计的自动分割与定位预处理软件将高分辨率图像划分成适于卷积神经网络学习的图像子块,并根据模型对图像子块的判定类别和定位坐标,同时获取多类型缺陷检测结果。实验结果表明,本文模型可以有效提高检出率,并减少漏检率。     

使用深度学习和不同频率维度的脑功能性连接对轻微认知障碍的诊断

准确诊断轻微认知障碍（MCI）对于阿尔兹海默症（AD）的预防和治疗十分关键,目前常使用深度学习和静息态功能核磁共振成像（rs-fMRI）对MCI进行辅助诊断。皮尔逊（Pearson）相关法和加窗的皮尔逊（WP）相关法能在时间维度上表示脑功能性连接（FC）,但不能将不同频率维度上的信息进行分解表示。针对这一问题,提出将不同频率维度的FC系数作为现有深度学习的特征输入的方法,以提高MCI分类准确率。首先将被试的数据进行拼接后进行多通道经验模态分解（MEMD）,然后通过切割求得不同频率维度上的FC系数,最后使用VGG16和长短期记忆（LSTM）网络进行测试。实验结果表明,使用所提出的FC系数时,MCI的分类准确率最高可达84.33%,相较使用传统FC系数时的准确率提高了18.33~21.00个百分点;而且不同频率维度的FC系数对MCI有着不同的分辨率。     

Spectral and complexity analysis of scalp EEG characteristics for mild cognitive impairment and early Alzheimer's disease

Amnestic mild cognitive impairment (aMCI) often is an early stage of Alzheimer's disease (AD). MCI is characterized by cognitive decline departing from normal cognitive aging but that does not significantly interfere with daily activities. This study explores the potential of scalp EEG for early detection of alterations from cognitively normal status of older adults signifying MCI and AD. Resting 32-channel EEG records from 48 age-matched participants (mean age 75.7 years)—15 normal controls (NC), 16 early MCI, and 17 early stage AD—are examined. Regional spectral and complexity features are computed and used in a support vector machine model to discriminate between groups. Analyses based on three-way classifications demonstrate overall discrimination accuracies of 83.3%, 85.4%, and 79.2% for resting eyes open, counting eyes closed, and resting eyes closed protocols, respectively. These results demonstrate the great promise for scalp EEG spectral and complexity features as noninvasive biomarkers for detection of MCI and early AD.     

面向自闭症辅助诊断的无监督模糊特征学习新方法

自闭症患者的行为和认知缺陷与潜在的脑功能异常有关。对于静息态功能磁振图像（functional magnetic resonance imaging, fMRI）高维特征,传统的线性特征提取方法不能充分提取其中的有效信息用于分类。为此,本文面向fMRI数据提出一种新型的无监督模糊特征映射方法,并将其与多视角支持向量机相结合,构建分类模型应用于自闭症的计算机辅助诊断。该方法首先采用多输出TSK模糊系统的规则前件学习方法,将原始特征数据映射到线性可分的高维空间;然后引入流形正则化学习框架,提出新型的无监督模糊特征学习方法,从而得到原输出特征向量的非线性低维嵌入表示;最后使用多视角SVM算法进行分类。实验结果表明:本文方法能够有效提取静息态fMRI数据中的重要特征,在保证模型具有优越且稳定的分类性能的前提下,还可以提高模型的可解释性。     

面向众包数据的特征扩维标签质量提高方法

众包是一个新兴的收集数据集标签的方法。虽然它经济实惠,但面临着数据标签质量无法保证的问题。尤其是当客观原因存在使得众包工作者工作质量较差时,所得的标签会更加不可靠。因此提出一个名为基于特征扩维提高众包质量的方法(FA-method),其基本思想是,首先由专家标注少部分标签,再利用众包者标注的数据集训练模型,对专家集进行预测,所得结果作为专家数据集新的特征,并利用扩维后的专家集训练模型进行预测,计算每个实例为噪声的可能性以及噪声数量上限来过滤出潜在含噪声标签的数据集,类似地,对过滤后的高质量集再次使用扩维的方法进一步校正噪声。在8个UCI数据集上进行验证的结果表明,和现有的结合噪声识别和校正的众包标签方法相比,所提方法能够在重复标签数量较少或标注质量较低时均取得很好的效果。     

H.264视频感兴趣区域加密算法

为了对视频的隐私区域进行加密,提出一种基于FMO和骑士巡游思想的H.264视频感兴趣区域加密的算法。首先确定视频中包含的感兴趣区域的范围,之后对感兴趣区域内部宏块的宏块类型参数使用SHA-1生成的流密码异或加密,并对条带组序号使用骑士巡游思想置乱加密。实验分析表明,该算法可以有效地保护视频中的隐私区域,并且可以在安全性、加密效率和编码效率取得较好的折中。     

Detection of Parkinson’s Disease with Multiple Feature Extraction Models and Darknet CNN Classification

Parkinson’s disease (PD) is a neurodegenerative disease in the central nervous system. Recently, more researches have been conducted in the determination of PD prediction which is really a challenging task. Due to the disorders in the central nervous system, the syndromes like off sleep, speech disorders, olfactory and autonomic dysfunction, sensory disorder symptoms will occur. The earliest diagnosing of PD is very challenging among the doctors community. There are techniques that are available in order to predict PD using symptoms and disorder measurement. It helps to save a million lives of future by early prediction. In this article, the early diagnosing of PD using machine learning techniques with feature selection is carried out. In the first stage, the data preprocessing is used for the preparation of Parkinson’s disease data. In the second stage, MFEA is used for extracting features. In the third stage, the feature selection is performed using multiple feature input with a principal component analysis (PCA) algorithm. Finally, a Darknet Convolutional Neural Network (DNetCNN) is used to classify the PD patients. The main advantage of using PCA- DNetCNN is that, it provides the best classification in the image dataset using YOLO. In addition to that, the results of various existing methods are compared and the proposed DNetCNN proves better accuracy, performance in detecting the PD at the initial stages. DNetCNN achieves 97.5 % of accuracy in detecting PD as early. Besides, the other performance metrics are compared in the result evaluation and it is proved that the proposed model outperforms all the other existing models.