论文部分内容阅读
阿尔茨海默病(AD)是一种中枢神经系统退行性疾病,一旦患病便无可逆转,只能通过药物拖延,对患者的生活甚至生命都造成困扰和威胁。轻度认知障碍(Mild Cognitive Impairment,MCI)是介于正常老化和痴呆之间的一种临床状态,其转化成AD的风险约是正常老人的10倍。核磁共振成像(Magnetic Resonance Imaging,MRI)和正电子发射计算机断层成像(Positron Emission Computed Tomography,PET)是AD和MCI研究中常用的神经影像学手段,本文就是利用深度学习的方法从神经影像中提取隐含特征,用于对AD和MCI患者的分类识别,本文的具体工作如下:选取ADNI数据库中的神经影像数据作为本文的实验研究数据,筛选同时具有MRI和PET两种模态的被试,对三维原始MRI脑图像进行预处理操作,包括分割,标准化和平滑,得到灰质图像,对于原始三维PET图像进行平滑和标准化处理,将两种模态预处理后得到的图像进行切片,处理完得到的数据可以作为深度学习的网络模型的输入数据。提出一种基于改进的拓扑稀疏编码的MRI脑图像分类方法,该方法使用改进的拓扑稀疏编码网络模型构建深度神经网络,并用贪婪算法对代价函数进行迭代优化,网络模型学习得到的权值矩阵就是脑图像的可视化特征。提出一种改进的L-BFGS稀疏降噪自编码网络并将其应用在MRI脑图像识别中,该方法将两种算法(贪婪算法和L-BFGS)相结合来对稀疏降噪自编码网络模型进行迭代优化,对MRI脑灰质图像进行提取特征并分类。提出一种自适应加权集成卷积神经网络并将其应用在MRI脑图像识别中,该方法通过使用同一大脑不同截面的脑图像来训练卷积神经网络,提取Softmax层的分类预测特征值,再使用自适应加权方法对三种截面数据(coronal,sagittal和axial)进行加权投票,最后使用集成学习的技术将不同截面的数据进行加权集成从而求出分类准确率。提出一种基于卷积神经网络的异构多模态脑图像识别方法,首先使用卷积神经网络提取脑图像预处理后的全连接层的特征,然后将同一个体的两种不同模态的脑图像进行拼接集成,再分别使用有监督的学习方法和无监督的学习方法对集成特征进行分类,得到最终的识别准确率。