CN113989551A - 一种基于改进ResNet网络的阿尔茨海默病分类方法 - Google Patents
一种基于改进ResNet网络的阿尔茨海默病分类方法 Download PDFInfo
- Publication number
- CN113989551A CN113989551A CN202111237755.XA CN202111237755A CN113989551A CN 113989551 A CN113989551 A CN 113989551A CN 202111237755 A CN202111237755 A CN 202111237755A CN 113989551 A CN113989551 A CN 113989551A
- Authority
- CN
- China
- Prior art keywords
- network
- slices
- training
- alzheimer
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000011176 pooling Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 30
- 210000004556 brain Anatomy 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 5
- 208000010877 cognitive disease Diseases 0.000 claims description 4
- 210000004884 grey matter Anatomy 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000005481 NMR spectroscopy Methods 0.000 claims description 3
- IXKSXJFAGXLQOQ-XISFHERQSA-N WHWLQLKPGQPMY Chemical compound C([C@@H](C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(O)=O)NC(=O)[C@@H](N)CC=1C2=CC=CC=C2NC=1)C1=CNC=N1 IXKSXJFAGXLQOQ-XISFHERQSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 208000027061 mild cognitive impairment Diseases 0.000 claims description 2
- 210000005013 brain tissue Anatomy 0.000 claims 1
- HGBLNBBNRORJKI-WCABBAIRSA-N cyclacillin Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)C1(N)CCCCC1 HGBLNBBNRORJKI-WCABBAIRSA-N 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 231100000871 behavioral problem Toxicity 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于一种基于改进的ResNet网络的阿尔茨海默病的分类方法，主要解决现有分类检测算法过程中数据不均衡及池化中特征丢失的问题。其方案是：(1)对ResNet网络进行改进加入有效通道注意力ECA模块，搭建针对阿尔茨海默病的ResNet分类检测网络；(2)为减少池化操作过程中的信息丢失，将最大池化Maxpool修改为softpool；(3)使用焦点损失函数替换交叉熵损失函数来解决数据不均衡，以及模型难学习困难样本的问题；(4)选取每一个MRI 3D数据在Axial‑横截、Sagittal‑矢状、Coronal‑冠状三个轴向位置的2D形式切片；(5)对改进后ResNet网络进行训练和测试。本发明提高了阿尔茨海默病的分类检测准确率，与现有模型相比，该模型具有较好的性能。
Description
技术领域
本发明属于脑影像与计算机科学的交叉领域，涉及图像分类技术领域，具体为一种基于改进的ResNet网络的阿尔茨海默病分类方法。
背景技术
随着人口逐渐老龄化，阿尔茨海默病(Alzheimer’s disease，AD)作为老年期最常见的认知障碍疾病，并且它还是21世纪人类面临的最大健康威胁之一。其早期症状包括记忆力和其他认知能力减退，当疾病逐渐发展，还会出现语言障碍、定向障碍(比如迷路走失)、性情改变等行为问题等等。最终，患者会丧失自理能力及身体机能。据统计85岁以上的老人阿尔茨海默病发病率可达25％，早期识别、早期治疗，尤为关键。因此，开发和改进这种预测方法是很有意义的。
医学人工智能的兴起，对AD的计算机辅助诊断具有重要意义，它是与人类生活联系最密切的一个领域，另外核磁共振成像(Magnetic Resonance Imaging，MRI)也广泛应用于临床AD的诊断，具有无创、高分辨率、高对比度、多方位成像以及对软组织分辨能力强特点，为诊断AD也提供了有效的信息。
传统的阿尔茨海默病分类方法大都基于机器学习，主要分为特征提取和分类两部分：(1)首先通过人工手段来提取特征；(2)将提取好的特征送入分类器中，例如支持向量机(SVM)、随机森林(RF)等进行分类，但该分类方法在提取特征过程需要人工提取，可能会受到人为因素干扰产生纰漏，存在主观性较大的问题。
发明内容
为解决上述问题，本发明提出一种基于改进的残差网络(ResNet)的阿尔茨海默病的分类方法，利用有效通道注意力模块(ECA)提高网络模型对阿尔茨海默病检测的准确率；针对池化特征丢失问题，采用Softpool池化保留细粒度特征，提升网络模型分类精度。
本发明采用如下方法来实现：
为实现上述目的本发明一种基于改进的ResNet网络的阿尔茨海默病的分类方法，通过以下步骤实现：
(1)构建阿尔茨海默病MRI脑部数据集，其中包括阿尔茨海默病患者(AD)、轻度认知障碍患者(MCI)、正常患者(CN)三类数据集；
(1-1)对MRI图像依次进行数据预处理、划分数据集；
(1-2)切片选择：训练中将采取3D MRI扫描下的多视角X、Y、Z三个轴向图像切片，分别选取视图位置的关键索引α，因标准图像空间形态结构中每个MRI在相同索引下结构是一样的，这些位置可以呈现出大脑更清晰的脑部轮廓。在片段[-9,9]范围内随机取一个整数β，分别选取α+β-1、α+β、α+β-2三个切片，再将一个角度的三个切片进行拼接后分别输入，使得合成的图像包含更多的空间信息并且具有一定的鲁棒性。
(2)改进ResNet网络，以完成对阿尔茨海默病的检测分类；
(2-1)ResNet网络模型使用18层的残差网络，通过在每层块内嵌入ECA模块，设计出深度特征提取网络ECA-ResNet18，ECA模块省去了降维部分以及使用1维卷积替代全连接，ECA运算表示为：
式中，σ表示Sigmoid函数，
代表1维1×1卷积，GAP表示全局平均池化运算，x为输入张量；
(2-2)为减少池化操作过程中的信息丢失，池化层采用softpool，其通过指数函数结合softmax的加权方法，能够保留更多细小的特征信息。将区域R平均分为l个特征区域，第n个区域的激活因子为an，softpool给每一个an分配相应的权重Wn，该权重Wn为该激活的自然指数与l个特征区域激活的自然指数之和的比值：
通过对内核邻域R内所有激活因子加权求和得到softpool的输出值：
(2-3)使用焦点损失函数Focalloss替换交叉熵损失函数来抑制正负样本不均衡，以及困难样本难学习的问题；
(3)对改进后的ResNet网络训练和测试：
(3-1)数据集进行训练：在Pytorch框架中使用Adam优化方法，对网络的参数进行初始化，得到网络的初始参数，并设定相关训练超参数，用于网络模型的参数优化；将核磁共振图像训练集随机打乱，将三个角度的2D切片依次送入网络进行训练；
(3-2)通过焦点损失函数计算
其中y代表图片类别，p代表模型预测样本类别的概率，γ指数因子用来减少简单样本的损失，使得网络更加关注困难的样本；α因子用于平衡γ指数因子过大时正样本的权重过大导致正负样本之间不平衡问题。计算训练数据通过网络分类得到的标签和真实标签之间的误差，得出损失值，利用得出的损失值进行反向传播，对网络进行参数调整，分析整个网络训练得出的损失，若不收敛则不断迭代更新网络参数，重新对网络进行训练，若整个网络趋于收敛则得到网络模型，对得到的网络模型进行测试，预测标签由三张2D切片图像的多数投票进行决定，如果三张图片中至少有两张支持标签AD，则该患者就被预测患有阿尔茨海默病，通过比较和评价得出分类结果，实现对阿尔茨海默病的分类检测，最终进行分析和总结。
优选的：所述步骤1中，对给定被试的磁共振图像数据预处理操作具体为：对所有数据先进行AC-PC原点校正，将校正后的图像进行分割，再归一化到一个标准模板空间中，然后提取图像的灰质信息，并对其进行平滑、统一尺寸操作，根据被试的样本标签进行样本的随机划分，将被试对应的样本数据按比例划分为训练集和测试集。
优选的：所述步骤(1-3)中，训练中将采取3D MRI扫描下的多视角X、Y、Z三个轴向图像切片，视图位置关键索引α分别选取的是57、79、60，因标准图像空间形态结构中每个MRI在相同索引下结构是一样的，这些位置可以呈现出大脑更清晰的脑部轮廓。在片段[-9,9]范围内随机取一个整数β，分别选取α+β-1、α+β、α+β-2三个切片，再将一个角度的三个切片进行拼接，使得合成的图像包含更多的空间信息并且具有一定的鲁棒性。为适应分类检测网络输入，并将这些切片统一尺寸大小为224×224。
优选的：所述步骤2中，在特征提取网络ResNet中，Input(7，7，64)层连接SoftPool层，连接基础块A、B、C、D，再将层与层之间进行短接，其中A代表
模块，B代表
模块，C代表
模块，D代表
模块，最后连接平均池化AvgPool层、完全连接层FC。
优选的：所述步骤3，在Pytorch框架中采用Adam优化方法对训练超参数动态调整，优化训练，改进后的ResNet对MRI的2D切片图像进行特征提取，利用网络的反向传播，对模型进行参数调整，通过测试样本计算模型分类的准确率，保留最优的模型参数。
本发明的有益效果为：
一种基于改进的ResNet网络的阿尔茨海默病的分类方法，不同于传统的检测方法。一方面，通过采用的3D MRI扫描下的多视角图像切片，其中包括矢状X、冠状Y、横截Z三个轴向切片，将切片依次输入到一组网络模型中，在一定程度上保留更多的空间信息，降低网络训练难度，提高检测速度；另一方面，使用焦点损失函数Focalloss进行替换交叉熵损失函数来解决数据不均衡，以及困难样本难学习的问题，最终可以得到更好的分类结果。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的整体算法流程图；
图2为本发明的数据集图像预处理过程图；
图3为本发明的改进的ResNet网络结构图；
图4为本发明的实施测试过程图；
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的部分，而省略了与本发明关系不大的其他细节。
具体实施方式一：
本实施方式的一种基于改进的ResNet网络的阿尔茨海默病的分类方法，结合图1，所述方法包括以下步骤：
步骤一、对阿尔茨海默病的MRI数据进行采集、预处理、划分；
步骤二、改进ResNet网络，以完成对阿尔茨海默病的检测分类；
步骤三、对改进后的ResNet网络进行训练和测试。
与具体实施方式一不同的是，本实施方式的一种基于改进的ResNet网络的阿尔茨海默病的分类方法，结合图2，所述的步骤一中数据集处理的具体流程为：
(1)构建阿尔茨海默病MRI脑部数据集，其中包括AD患病、MCI轻度、CN正常三类数据集；
(2)对MRI图像依次进行数据预处理：首先对所有数据进行AC-PC(AnteriorCommissure,AC前连合；Posterior Commissure,PC后连合)原点校正，再将校正后的MRI数据分割为脑灰质图像、脑白质图像和脑脊液图像，这三类图相加得到全脑图像，将分割后的图像归一化到蒙特利尔神经病学研究所(Montreal Neurological Institute，MNI)标准模板空间中进行配准，并对其进行平滑，以抑制功能像的噪声，提高信噪比，减少各图像间仍残余的解剖结构或功能上的不同，平滑处理采用的是高斯核函数；灰度归一化是利用灰度拉伸的方法将原图像中的灰度分布扩展到具有整个灰度级的图像，其公式为：
式中I(i,j)和N(i,j)分别表示原图像的灰度值、变换后图像的灰度值，min和max分别表示原图像的最小灰度值和最大灰度值；统一尺寸操作；根据被试的样本标签进行样本的随机划分，将被试对应的样本数据按比例划分为训练集和测试集。
(3)划分数据集：通过读取临床信息给数据进行标签分类，按比例分为训练集和测试集，数据集中包含核磁共振图像(MRI)和被试的标签；训练中数据样本记为M＝{(ai,bi)|i∈[1,Z]},式中，a表示MRI图像ID，b表示被试的对应标签，i表示样本下标，测试集N＝{(ai,bi)|i∈[1,W]}，其中Z和W分别表示划分后的样本数量。
(4)切片选择：训练中将采取3D MRI扫描下的多视角X、Y、Z三个轴向图像切片，视图位置关键索引α分别选取的是57、79、60，因标准图像空间形态结构中每个MRI在相同索引下结构是一样的，这些位置可以呈现出大脑更清晰的脑部轮廓。在片段[-9,9]范围内随机取一个整数β，分别选取α+β-1、α+β、α+β-2三个切片，再将一个角度的三个切片进行拼接后分别输入，使得合成的图像包含更多的空间信息并且具有一定的鲁棒性。为适应分类检测网络输入，将这些切片统一尺寸大小为224×224。
具体实施方式三：
与具体实施方式一或二不同的是，本实施方式的一种基于改进的ResNet网络的阿尔茨海默病的分类方法，结合图3，所述的步骤二中改进ResNet网络的具体流程为：
(1)ResNet网络模型使用18层的残差网络，通过在每层块内嵌入ECA模块，设计出深度特征提取网络ECA-ResNet18，ECA模块省去了降维部分以及使用1维卷积替代全连接，ECA运算表示为：
式中，σ表示Sigmoid函数，
代表1维1×1卷积，GAP表示全局平均池化运算，x为输入张量；
(2)为减少池化操作过程中的信息丢失，池化层采用softpool，其通过指数函数结合softmax的加权方法，能够保留更多细小的特征信息。将区域R平均分为l个特征区域，第n个区域的激活因子为an，softpool给每一个an分配相应的权重Wn，该权重Wn为该激活的自然指数与l个特征区域激活的自然指数之和的比值：
通过对内核邻域R内所有激活因子加权求和得到softpool的输出值：
所述步骤二中网络具体结构为：在特征提取网络ResNet中，Input(7，7，64)层连接SoftPool层，连接基础块A、B、C、D，再将层与层之间进行短接，其中A代表
层模块，B代表
模块，C代表
模块，D代表
模块，最后连接平均池化AvgPool层、完全连接层FC。
具体实施方式四：
与具体实施方式三不同的是，本实施方式的一种基于改进的ResNet网络的阿尔茨海默病的分类方法，结合图4，所述的步骤三中训练及测试网络的具体流程为：
(1)数据集进行训练：在Pytorch框架中使用Adam优化方法，对网络的参数进行初始化，得到网络的初始参数，并设定相关训练超参数，用于网络模型的参数优化；通过Python编程语言中shuffle语句，将MRI训练集随机打乱，将三个角度的2D切片依次送入网络进行训练；
(2)在Pytorch框架中采用Adam优化方法对训练超参数动态调整，优化训练，改进后的ResNet对MRI的2D切片图像进行特征提取，利用网络的反向传播，对模型进行参数调整，通过测试样本计算模型分类的准确率，对训练的分类模型进行评估，保留最优的模型参数。
(3)通过焦点损失函数计算
其中y代表图片类别，p代表模型预测样本类别的概率，γ指数因子用来减少简单样本的损失，使得网络更加关注困难的样本；α因子用于平衡γ指数因子过大时正样本的权重过大导致正负样本之间不平衡问题。
计算训练数据通过网络分类得到的标签和训练真实标签之间的误差，得出损失值，利用得出的损失值进行反向传播，对网络进行参数调整，剖析整个网络训练的损失函数，若不收敛则不断迭代更新网络参数调整网络结构，重新对网络进行训练，若整个网络趋于收敛则得到网络模型，对得到的最优网络模型进行测试，预测标签由三张2D切片图像的多数投票进行决定，如果三张图片中至少有两张支持标签AD，则该患者就被预测患有阿尔茨海默病，通过比较和评价得到分类结果，实现对阿尔茨海默病的分类检测，最终进行分析和总结。
Claims (5)
1.一种基于改进的ResNet网络的阿尔茨海默病分类方法，其特征在于：所述方法通过以下步骤实现：
(1)构建阿尔茨海默病MRI脑部数据集，其中包括阿尔茨海默病患者(AD)、轻度认知障碍患者(MCI)、正常患者(CN)三类数据集；
(1-1)对MRI图像依次进行数据预处理、划分数据集；
(1-2)切片选择：训练中将采取3D MRI扫描下的多视角X、Y、Z三个轴向图像切片，分别选取视图位置的关键索引α，因标准图像空间形态结构中每个MRI在相同索引下结构是一样的，这些位置可以呈现出大脑更清晰的脑部轮廓；在片段[-9,9]范围内随机取一个整数β，分别选取α+β-1、α+β、α+β-2三个切片，再将一个角度的三个切片进行拼接后分别输入，使得合成的图像包含更多的空间信息并且具有一定的鲁棒性；
(2)改进ResNet网络，以完成对阿尔茨海默病的检测分类；
(2-1)ResNet网络模型使用18层的残差网络，通过在每层块内嵌入ECA模型，通过在每层块内嵌入ECA模块，设计出深度特征提取网络ECA-ResNet18，ECA模块省去了降维部分以及使用1维卷积替代全连接，进一步提高特征提取能力并且增强了模型的鲁棒性，ECA运算表示为：
式中，σ表示Sigmoid函数，
代表1维1×1卷积，GAP表示全局平均池化运算，x为输入张量；
(2-2)为减少池化操作过程中的信息丢失，池化层采用softpool，其通过指数函数结合softmax的加权方法，能够保留更多细小的特征信息；
(2-3)使用焦点损失函数Focalloss替换交叉熵损失函数来抑制正负样本不均衡，以及困难样本难学习的问题；
(3)对改进后的ResNet网络进行训练和测试：
(3-1)数据集进行训练：在Pytorch框架中使用Adam优化方法，对网络的参数进行初始化，得到网络的初始参数，并设定相关训练超参数，用于网络模型的参数优化；将核磁共振图像训练集随机打乱，将三个角度的2D切片依次送入网络进行训练；
(3-2)通过焦点损失函数计算
其中y代表图片类别，p代表模型预测样本类别的概率，γ指数因子用来减少简单样本的损失，使得网络更加关注困难的样本；α因子用于平衡γ指数因子过大时正样本的权重过大导致正负样本之间不平衡问题；
计算训练数据通过网络分类得到的标签和真实标签之间的误差，得出损失值，利用得出的损失值进行反向传播，对网络进行参数调整，分析整个网络训练得出的损失，若不收敛则不断迭代更新网络参数，重新对网络进行训练，若整个网络趋于收敛则得到网络模型，对得到的网络模型进行测试，预测标签由三张2D切片图像的多数投票进行决定，如果三张图片中至少有两张支持标签AD，则该患者就被预测患有阿尔茨海默病，通过比较和评价得到分类结果，实现对阿尔茨海默病的分类检测，最终进行分析和总结。
2.根据权利要求书1所述一种基于改进的ResNet网络的阿尔茨海默病的分类方法，其特征在于，所述步骤1中，对给定被试的磁共振图像数据预处理操作具体为：对所有数据先分别进行AC-PC原点校正，将校正后的图像进行分割，再归一化到一个标准模板空间中，然后提取图像的灰质信息，并对其进行平滑、统一尺寸操作，根据被试的样本标签进行样本的随机划分，将被试对应的样本数据按比例划分为训练集和测试集；数据集中包含核磁共振图像和被试的标签；训练中数据样本记为M＝{(ai,bi)|i∈[1,Z]},式中，a表示MRI图像ID，b表示被试的对应标签，i表示样本下标，测试集N＝{(ai,bi)|i∈[1,W]}，其中Z和W分别表示划分后的样本数量。
3.根据权利要求书1所述一种基于改进的ResNet网络的阿尔茨海默病的分类方法，其特征在于，所述步骤(1-2)中，训练中将采取3D MRI扫描下的多视角X、Y、Z三个轴向图像切片，三个坐标轴上切片的范围分别为[1,121]、[1,145]、[1,121]，从三个角度进行切片分别可以得到121、145、121张2D切片，在每个方向的切片中，靠近坐标轴两端的一些切片几乎没有脑组织，这些切片包含的有效信息少，训练价值低，故舍去；视图位置关键索引α分别选取57、79、60，因标准图像空间形态结构中每个MRI在相同索引下结构是一样的，这些位置可以呈现出大脑更清晰的脑部轮廓；在片段[-9,9]范围内随机取一个整数β，分别选取α+β-1、α+β、α+β-2三个切片，再将一个角度的三个切片进行拼接进行分别输入，使得合成的图像包含更多的空间信息并且具有一定的鲁棒性；为保证输入网络大小图片保持一致，并将这些切片统一尺寸大小为224×224。
4.根据权利要求1所述一种基于改进的ResNet网络的阿尔茨海默病的分类方法，其特征在于，所述步骤2中，在特征提取网络ResNet中，Input(7，7，64)层连接SoftPool层，连接基础块A、B、C、D，再将层与层之间进行短接，其中A代表
模块，B代表
模块，C代表
模块，D代表
模块，最后连接平均池化AvgPool层、完全连接层FC。
5.根据权利要求1所述一种基于改进的ResNet网络的阿尔茨海默病的分类方法，其特征在于，所述步骤3，采用优化方法对训练超参数动态调整、优化训练，改进后的ResNet对MRI的2D切片图像进行特征提取，利用网络的反向传播，对模型进行参数调整，通过测试样本计算模型分类的准确率，对训练的分类模型进行评估，保留最优的模型参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111237755.XA CN113989551B (zh) | 2021-10-25 | 2021-10-25 | 一种基于改进ResNet网络的阿尔茨海默病分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111237755.XA CN113989551B (zh) | 2021-10-25 | 2021-10-25 | 一种基于改进ResNet网络的阿尔茨海默病分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113989551A true CN113989551A (zh) | 2022-01-28 |
| CN113989551B CN113989551B (zh) | 2024-05-03 |
Family
ID=79740702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111237755.XA Active CN113989551B (zh) | 2021-10-25 | 2021-10-25 | 一种基于改进ResNet网络的阿尔茨海默病分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989551B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114937171A (zh) * | 2022-05-11 | 2022-08-23 | 复旦大学 | 基于深度学习的阿尔茨海默分类*** |
| CN114999629A (zh) * | 2022-04-28 | 2022-09-02 | 安徽大学 | 一种基于多特征融合的ad早期预测方法、***、装置 |
| CN115553787A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242233A (zh) * | 2020-01-18 | 2020-06-05 | 温州大学 | 一种基于融合网络的阿尔兹海默病分类方法 |
| CN111461233A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 |
| CN111488914A (zh) * | 2020-03-17 | 2020-08-04 | 哈尔滨工业大学 | 一种基于多任务学习的阿尔茨海默症分类及预测*** |
| CN111738363A (zh) * | 2020-07-24 | 2020-10-02 | 温州大学 | 基于改进的3d cnn网络的阿尔茨海默病分类方法 |
| CN112674720A (zh) * | 2020-12-24 | 2021-04-20 | 四川大学 | 基于3d卷积神经网络的阿尔茨海默症的预诊断方法 |
-
2021
- 2021-10-25 CN CN202111237755.XA patent/CN113989551B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242233A (zh) * | 2020-01-18 | 2020-06-05 | 温州大学 | 一种基于融合网络的阿尔兹海默病分类方法 |
| CN111488914A (zh) * | 2020-03-17 | 2020-08-04 | 哈尔滨工业大学 | 一种基于多任务学习的阿尔茨海默症分类及预测*** |
| CN111461233A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 |
| CN111738363A (zh) * | 2020-07-24 | 2020-10-02 | 温州大学 | 基于改进的3d cnn网络的阿尔茨海默病分类方法 |
| CN112674720A (zh) * | 2020-12-24 | 2021-04-20 | 四川大学 | 基于3d卷积神经网络的阿尔茨海默症的预诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋立新;徐军;: "一种深度置信网络和迭代量化的图像检索方法", 信息与控制, no. 02 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999629A (zh) * | 2022-04-28 | 2022-09-02 | 安徽大学 | 一种基于多特征融合的ad早期预测方法、***、装置 |
| CN114999629B (zh) * | 2022-04-28 | 2024-03-01 | 安徽大学 | 一种基于多特征融合的ad早期预测方法、***、装置 |
| CN114937171A (zh) * | 2022-05-11 | 2022-08-23 | 复旦大学 | 基于深度学习的阿尔茨海默分类*** |
| CN114937171B (zh) * | 2022-05-11 | 2023-06-09 | 复旦大学 | 基于深度学习的阿尔茨海默分类*** |
| CN115553787A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113989551B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930416B (zh) | 一种基于u型网络的mri图像***分割方法 | |
| CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
| CN110070935B (zh) | 基于对抗神经网络的医学图像合成方法、分类方法及装置 | |
| Marimont et al. | Anomaly detection through latent space restoration using vector quantized variational autoencoders | |
| CN113989551B (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
| CN112365464B (zh) | 一种基于gan的医学图像病变区域弱监督定位方法 | |
| CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
| CN108629785B (zh) | 基于自步学习的三维磁共振胰腺图像分割方法 | |
| US11222425B2 (en) | Organs at risk auto-contouring system and methods | |
| CN115393269A (zh) | 一种基于多模态影像数据的可扩展多层级图神经网络模型 | |
| WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
| CN109919254B (zh) | 乳腺密度分类方法、***、可读存储介质和计算机设备 | |
| CN116097302A (zh) | 用于病灶检测的利用联合训练的连接式机器学习模型 | |
| CN114359629B (zh) | 一种基于深度迁移学习的肺炎x胸片分类识别方法 | |
| CN111709446B (zh) | 基于改进的密集连接网络的x线胸片分类装置 | |
| CN110211671B (zh) | 一种基于权值分布的阈值化方法 | |
| CN113643261B (zh) | 一种基于频率注意网络的胸肺部疾病诊断方法 | |
| CN110853048A (zh) | 基于粗、精训练的mri图像分割方法、装置和存储介质 | |
| CN109949288A (zh) | 肿瘤类型确定***、方法及存储介质 | |
| CN115601535A (zh) | 联合Wasserstein距离与差异度量的胸片异常识别域自适应方法及*** | |
| CN116091412A (zh) | 一种从pet/ct图像中分割肿瘤的方法 | |
| CN114494952A (zh) | 一种基于感知损失的乳腺mri影像时间序列生成方法 | |
| Morra et al. | A neural network approach to unsupervised segmentation of single-channel MR images | |
| Paul et al. | Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization | |
| Wu et al. | Mscan: Multi-scale channel attention for fundus retinal vessel segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |