摘 要: | 针对阿尔兹海默症(AD)患者常会出现脑内灰质(GM)部分丢失的现象,提出了一种基于GM磁共振图像(MRI)的深度学习AD分类的方法。首先,对MRI图像数据集进行AC-PC校正、小脑切除、颅骨剥离、配准、调制和分割等预处理,提取灰质图像。然后,对3D GM MRI图像进行切片,得到矢状面、冠状面和横切面三个方向的2D图像。最后,以矢状面的二维切片为输入样本,以残差网络作为主干网络,并作出以下改进:将传统的ResNet50中Stem的7×7卷积层替换为三个3×3卷积层串联,保证在感受野保持不变的情况下进一步减小计算量;构建跨阶段局部(CSP)瓶颈层,以分割梯度流,更有效地利用梯度信息;将高效通道注意力(ECA)模块嵌入到基本残差结构中,使网络模型特征提取更加高效;通过迁移学习,将Mini-ImageNet数据集上预训练好的权重参数在改进的ResNet50上进行微调,并使用5折交叉验证得到结果。实验结果表明,在ResNet18网络模型上,矢状面方向的切片准确度、特异度和敏感度分别为85.4%、87.9%和84.2%,各项评价指标均优于其他方向的切片;与传统的ResNet50相比,改进后的网络...
|