论文部分内容阅读
在中国，老龄化现象已十分严重，罹患阿尔茨海默病(Alzheimers Disease，AD)的老人越来越多，所以早期诊断阿尔茨海默病迫在眉睫。研究表明，轻度认知障碍(Mild Cognitive Impairment，MCI)可能是介于阿尔茨海默病与健康(Healthy Control，HC)人群之间的疾病状态，有一定的概率转化为AD，这对AD的早期研究提供了思路。近年来，机器学习在疾病诊断领域崭露头角。深度学习作为机器学习重要的分支，也展现了强劲的势头。 论文基于深度学习对阿尔茨海默病、轻度认知障碍进行分类诊断。论文的数据库来自网络公开数据库ADNI，病人的核磁共振图像预处理得到首都医科大学附属北京天坛医院的指导。核磁共振成像(Magnetic Resonance Imaging，MRD降维后的图像使用卷积神经网络(Convolutional Neural Network，CNN)AlexNet网络模型进行训练。由于模型的普适性，并不针对AD，所以论文将改进现有模型再进行训练。测试显示，使用改进模型后的测试结果较之前有一定提高。除此之外，论文还基于Pybrain，构造新的模型对疾病进行诊断。论文的主要工作如下: (1)对MRI进行降维。深度学习的数据集要求为二维图像，需要将现有三维MRI图像进行降维。根据核磁共振图像的特点和Tucker分解的理论对MRI进行切片，力图降低图像信息的损失。切片后，将被试者的MRI图像根据标签归类，生成训练集、测试集。 (2)基于AlexNet网络模型进行训练。使用曙光服务器W780-G20的DIGITS-2.0基于深度学习模型AlexNet进行训练。训练完成后得到四个分类器，分别是AD vs.HC(AH)，AD vs.MCI(AM)，MCI vs.HC(MH)和AD vs.MCI vs.HC(3-WAY)。为缩短计算时间，本文使用多GPU并行计算方式。 (3)改进现有深度学习模型AlexNet。由于现有模型并不针对AD，论文提出改进模型的4种算法，并对算法优劣进行分析。通过绘制ROC曲线、计算敏感度、特异度、精确度对原有模型和改进模型进行评测。 (4)使用Pybrain训练神经网络。采用业界广泛使用的Python机器学习库Pybrain对AH，AM，MH这3个数据库进行训练。通过拟合曲线、分析误差对结果进行评价。