發(fā)布時間：2020-11-21 04:37

　　 阿爾茲海默癥(Alzheimer’s Disease,AD)是一種最為常見的神經(jīng)退行性疾病,隨著老齡化的加深,患病人數(shù)逐年上升。AD一經(jīng)發(fā)現(xiàn)難以逆轉(zhuǎn),因此對AD的早期診斷尤為重要。輕度認知障礙(Mild Cognitive Impairment,MCI)是介于正常老化與癡呆間的一種中間狀態(tài)。若能對AD、MCI和正常老化(Normal Control,NC)人群進行區(qū)分,并對MCI可能轉(zhuǎn)化為AD的患者進行早期識別,從而進行一些早期的正向干預(yù),將有效延緩AD的發(fā)生。結(jié)構(gòu)磁共振圖像(structural Magnetic Resonance Imaging,sMRI)能以無創(chuàng)的形式捕捉大腦細微結(jié)構(gòu)異常變化,但用于AD的早期檢測存在著影像數(shù)據(jù)維度高、受試者異質(zhì)性高等現(xiàn)象。深度學(xué)習(xí)算法能從大量高維數(shù)據(jù)中自動學(xué)習(xí)特征,減小人工選擇的主觀性,在醫(yī)學(xué)圖像疾病分類和預(yù)測中得到了越來越多的關(guān)注。本文采用深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)模型,旨在基于sMRI,實現(xiàn)AD、MCI及NC分類,并對MCI進行轉(zhuǎn)化預(yù)測。本文主要研究內(nèi)容包括:1.數(shù)據(jù)選擇和深度學(xué)習(xí)平臺搭建。大數(shù)據(jù)是深度學(xué)習(xí)的基礎(chǔ),自“阿爾茲海默癥神經(jīng)影像學(xué)計劃”即ADNI(Alzheimer’s Disease Neuroimaging Initiative)數(shù)據(jù)庫建立以來,為深度學(xué)習(xí)在AD相關(guān)疾病的發(fā)展應(yīng)用提供了數(shù)據(jù)素材,但也存在著數(shù)據(jù)庫過于龐大與復(fù)雜等問題,所以本文首先對ADNI進行了系統(tǒng)的介紹以及各個階段的sMRI數(shù)據(jù)篩選步驟說明。深度學(xué)習(xí)框架及平臺搭建是運用深度學(xué)習(xí)算法解決實際問題中不可缺少的一個環(huán)節(jié),本文中考慮到實驗數(shù)據(jù)、要求等原因,選擇了在Linux系統(tǒng)下搭建CAFFE框架,并配置了完整的CUDA環(huán)境。2.基于sMRI和深度卷積模型建立AD、LMCI、NC的分類模型研究。雖然深度卷積網(wǎng)絡(luò)的模型在自然圖像的分類中已經(jīng)取得了很高的準確率,遷移學(xué)習(xí)的方法能將已經(jīng)訓(xùn)練好的模型高效的用在新的數(shù)據(jù)集,從而克服深度學(xué)習(xí)用于醫(yī)學(xué)圖像的個體差異性與數(shù)量小等問題。本章運用遷移學(xué)習(xí)的方法,結(jié)合圖像識別領(lǐng)域著名的深度卷積網(wǎng)絡(luò)AlexNet模型對三種不同的大腦老化階段進行分類研究,建立一套完整的AD各病程分類模型。結(jié)果顯示,此分類模型可以對AD、LMCI、NC達到較好的分類效果。3.MCI轉(zhuǎn)化預(yù)測的研究。本章將MCI患者分為轉(zhuǎn)化型MCI(MCI converters,MCIc)和非轉(zhuǎn)化型MCI(MCI non-converters,MCInc),從而實現(xiàn)MCI的轉(zhuǎn)化風(fēng)險預(yù)測研究,從中篩選出AD患病的高危人群,能夠?qū)�AD起到積極地防御作用。本章將以上一章的模型為基礎(chǔ),對MCInc與MCIc進行轉(zhuǎn)化預(yù)測,并將早期MCI(Early MCI)和晚期MCI(Late MCI)分類。結(jié)果顯示,再次構(gòu)建的MCI轉(zhuǎn)化預(yù)測模型能夠達到比較理想的效果。本研究基于sMRI數(shù)據(jù),運用深度卷積網(wǎng)絡(luò)模型,將AD、MCI、NC各階段的圖像特征進行提取,再結(jié)合多種算法將這些特征降維、選擇、分類,從而建立一套完整的模型,以達到實現(xiàn)AD各病程分類,以及篩選出MCI階段具有向AD轉(zhuǎn)化的高危人群的目的。
【學(xué)位單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：R445.2;R749.16
【部分圖文】：

絡(luò)（Convolutional Neural Network，CNN）[10-12]，結(jié)構(gòu)示例如圖1-1所示；以及自下而上的非監(jiān)督學(xué)習(xí)，如堆棧自動編碼器（StackedAuto Encoder，SAE）[13-17]等，結(jié)構(gòu)示例如圖1-2所示。這兩類學(xué)習(xí)模式都可用于MCI的轉(zhuǎn)換預(yù)測與AD、MCI、NC的分類中。圖 1-1 深度卷積網(wǎng)絡(luò)模型架構(gòu)示例Figure 1-1 Example for CNN model framework圖1-2 深度堆棧自編碼器模型架構(gòu)示例Figure 1-2 Example for SAE model framework

[13-17]等，結(jié)構(gòu)示例如圖1-2所示。這兩類學(xué)習(xí)模式都可用于MCI的轉(zhuǎn)換預(yù)測與AD、MCI、NC的分類中。圖 1-1 深度卷積網(wǎng)絡(luò)模型架構(gòu)示例Figure 1-1 Example for CNN model framework圖1-2 深度堆棧自編碼器模型架構(gòu)示例Figure 1-2 Example for SAE model framework

參數(shù)調(diào)優(yōu)也是一項巨大的工程，這些問題都為直接使用醫(yī)練新的 CNN 模型帶來了困難。在眾多如何將已有的深度學(xué)習(xí)知識運用域的解決方案中，遷移學(xué)習(xí)是將已有知識運用至未知但相似領(lǐng)域的機器，目前被廣泛的認可。所謂的遷移學(xué)習(xí)來源于機器學(xué)習(xí)，主要是為了解決傳統(tǒng)的機器學(xué)習(xí)和數(shù)無法通過半監(jiān)督算法用少量已標注的數(shù)據(jù)建立一個好的分類器來應(yīng)對注的數(shù)據(jù)的問題[33-34]。大量算法幾乎建立在訓(xùn)練和測試數(shù)據(jù)均滿足相同間和分布�？稍诂F(xiàn)實運用中，重新收集數(shù)據(jù)與訓(xùn)練模型非常不實際。所決分類、回歸等任務(wù)中的知識遷移就成為了當務(wù)之急。早在 1995 nowledge transfer’、‘meta learning’等方法已經(jīng)出現(xiàn)，試圖解決任務(wù)、訓(xùn)試集[35]分布不同。在 2005 年，研究開始致力于解決從一個或多個原任息，并將其用于目標任務(wù)[36]。這種方式更加注重目標任務(wù)，打破了原有中原任務(wù)與目標任務(wù)對等的情況，對比示例如圖 1-3 所示。Torrey 等[37遷移學(xué)習(xí)的過程中往往會比原模型帶來更高的初始準確率、更大的速率好的收斂性。
【相似文獻】

相關(guān)期刊論文 前10條

1 姜佩杰;楊春蘭;吳水才;阮祥燕;;腿部磁共振圖像脂肪分割方法的研究[J];北京生物醫(yī)學(xué)工程;2010年05期

2 陳慧瑩;;磁共振檢查別讓金屬來搗蛋[J];康頤;2016年09期

3 劉亞潔;;基于邊緣檢測算子的腰椎磁共振圖像的比較[J];生物醫(yī)學(xué)工程研究;2012年01期

4 高宏建;薛艷青;吳水才;艾海明;楊春蘭;白燕萍;盛磊;劉偉;;基于磁共振圖像的腦腫瘤自動識別與分析[J];北京工業(yè)大學(xué)學(xué)報;2012年06期

5 洪在地;贠超;趙磊;;用于神經(jīng)外科手術(shù)的磁共振圖像導(dǎo)航機器人的兼容性研究[J];機器人;2009年03期

6 蘇筠潔;朱創(chuàng)英;吳林發(fā);劉源;;磁共振圖像上幾種特殊裝備偽影[J];中國醫(yī)院建筑與裝備;2007年04期

7 高陽;牛廣明;;磁共振圖像偽影及其預(yù)防[J];內(nèi)蒙古醫(yī)學(xué)院學(xué)報;2007年05期

8 郭定林;LMW—400磁共振圖像不穩(wěn)的探討[J];醫(yī)療裝備;1999年05期

9 Von J.Herzog;李貴林;;股骨頭壞死的診斷 磁共振與同位素閃爍攝影、常規(guī)X線片的診斷性能之比較[J];放射學(xué)實踐;1988年04期

10 Von D.Uhlenbrock;張本固;;磁共振體層照像診斷炎性腎臟病的可能性[J];放射學(xué)實踐;1988年04期

相關(guān)博士學(xué)位論文 前10條

1 劉曉暉;基于壓縮感知的磁共振圖像稀疏重建算法研究[D];南方醫(yī)科大學(xué);2018年

2 李京津;蛋白基高生物兼容性磁共振納米探針的制備及其分子成像研究[D];天津醫(yī)科大學(xué);2018年

3 高鑌;基于單演信號的電影磁共振圖像心肌運動估計算法研究[D];哈爾濱工業(yè)大學(xué);2018年

4 崔辰;心血管磁共振組織學(xué)特征在心臟病診斷及預(yù)后評估中的價值[D];北京協(xié)和醫(yī)學(xué)院;2018年

5 陳耿;基于塊匹配的腦磁共振圖像處理算法研究及其應(yīng)用[D];西北工業(yè)大學(xué);2016年

6 陳智峰;基于人工稀疏的磁共振非笛卡爾成像算法研究[D];浙江大學(xué);2017年

7 張明慧;基于多圖譜的腦部磁共振圖像分割方法研究[D];南方醫(yī)科大學(xué);2018年

8 王玉昭;顱腦動脈磁共振定量成像技術(shù)及血流動力學(xué)研究[D];河北醫(yī)科大學(xué);2018年

9 黃世亮;磁共振圖像處理中若干問題的研究[D];中國科學(xué)院研究生院（武漢物理與數(shù)學(xué)研究所）;2006年

10 龔向陽;磁共振腦表面三維重建技術(shù)及應(yīng)用的研究[D];浙江大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 顧云波;基于字典學(xué)習(xí)的磁共振圖像重建[D];東南大學(xué);2018年

2 井賽;磁共振（MRI）性能測試體模研制[D];第四軍醫(yī)大學(xué);2017年

3 焦健;基于低秩與稀疏分解的動態(tài)磁共振圖像重建[D];燕山大學(xué);2018年

4 張柏雯;基于結(jié)構(gòu)磁共振和深度學(xué)習(xí)模型的AD病程分類研究[D];北京工業(yè)大學(xué);2018年

5 高江偉;基于ROI-CS的磁共振快速成像技術(shù)研究及應(yīng)用[D];杭州電子科技大學(xué);2018年

6 張健;MRF ZOOM：磁共振指紋快速詞典檢索算法[D];杭州師范大學(xué);2018年

7 楊茂江;3.0T磁共振IVIM成像對CT引導(dǎo)下經(jīng)皮肺穿刺活檢的應(yīng)用價值研究[D];川北醫(yī)學(xué)院;2018年

8 左志超;多模態(tài)磁共振評估腮腺病變的診斷價值研究[D];廣西醫(yī)科大學(xué);2018年

9 王震;基于相位差補償模型的磁共振測溫技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

10 梁孝;面向移動平臺的磁共振彈性圖像仿真與信息處理系統(tǒng)設(shè)計[D];合肥工業(yè)大學(xué);2018年

本文編號：2892534