基于深度卷积网络的阿尔茨海默病诊断模型研究

• 作者: 吴水才 孙珅 张柏雯 林岚
• 来源期刊: 医疗卫生装备
• 学科: 医学
• 关键词: 深度卷积网络 阿尔茨海默病 结构磁共振成像 深度学习 特征迁移学习 正常老化 AlexNet
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 专题研究
• 页码范围: 5-9
• 页数: 5页
• 分类号: R318|TP181
• 字数: 3523字
• 语种: 中文
• DOI: 10.19745/j.1003-8868.2019002

摘要

目的:提出一种基于脑MRI与深度学习和迁移学习准确区分阿尔茨海默病(Alzheimer's disease,AD)与正常老化(normal control,NC)的方法.方法:选取阿尔茨海默病神经影像学组织(Alzheimer Disease Neuroimaging Initiative,ADNI)数据库中194例NC与105例AD受试者的脑结构磁共振成像(structural MRI,sMRI),生成全脑灰质图.基于经典网络AlexNet采用特征迁移学习的方法对AD与NC分别进行特征提取,再结合主成分分析法与序列前向搜索的方法对特征降维与选择,最后运用支持向量机对所选特征进行分类,统计高斯平滑核半高宽(full width at half maximum,FWHM)分别为0、8 mm时在卷积层conv3、conv4、conv5的分类准确率、灵敏度和特异性.结果:在AlexNet第四卷积层(conv4)分类准确率达到最优,在高斯平滑核FWHM为0 mm时,conv4分类准确率为95.14％,灵敏度和特异性分别为96.43％和94.83％.结论:通过该研究提出的分类方法建立的特征迁移学习模型在AD与NC分类中取得较为理想的分类结果,说明该方法是一种可行的分类方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴水才	北京工业大学生命科学与生物工程学院	217	1199	17.0	26.0
2	林岚	北京工业大学生命科学与生物工程学院	47	129	6.0	9.0
3	张柏雯	北京工业大学生命科学与生物工程学院	18	89	5.0	8.0
4	孙珅	北京工业大学生命科学与生物工程学院	5	11	2.0	3.0