论文部分内容阅读
大脑结构复杂,是人类生命活动的控制中枢。影像技术具有无痛、无创的特点,在临床上广泛应用。利用脑成像来探索大脑结构与功能的奥秘,是研究脑疾病有效的手段。随着临床上大量的数据积累,使用计算机分析图像来辅助诊断疾病,可极大地减少医生的工作负担,增加疾病诊断的效率和准确性,成为当前的必然趋势。当前,现有的脑影像计算分析的方法主要分为五个步骤:图像的预处理、图像的配准、图像的分割、特征提取和分类或回归。流程复杂,最终的效果受中间每一步的影响。本文在此基础上,研究了基于深度神经网络的脑影像计算和分析方法,不依赖于严格的配准和分割,且通过神经网络学习数据中的特征,无需人工设计特征工程,可提高脑图像分析的计算效率。本文使用了阿尔茨海默病神经成像计划(ADNI)数据库中的磁共振脑图像(MRI)和正电子发射断层扫描成像(PET)两种模式的数据,以正确诊断阿尔茨海默病和轻度认知功能损伤为目的。主要的创新性工作包含两个:(1)提出了二维卷积神经网络(2D-CNN)和循环神经网络结合的方法,用二维切片组训练2D-CNNs提取切片特征,再用双向门控循环网络对切片特征组成的序列进行融合,最后将三个方向的预测结果加权求和作为最终的输出结果。我们的方法对来自339名受试者(包括93名阿尔茨海默病患者(AD),146名轻度认知障碍患者(MCI)和100名用于正常对照的对象(NC))在基准时刻获取的FDG-PET图像进行评估。实验结果表明,所提出的方法对于AD和NC的分类准确率达91.19%,对于MCI和NC的分类准确率达77.96%,验证了此方法的有效性。(2)提出了级联三维卷积神经网络的方法,用3D-CNNs提取局部三维图像块的特征,取出相同位置对应MRI和PET图像的中间卷积层的特征输出作为特征融合网络的输入,把不同位置的局部特征拼接在一起,再用训练好的网络对样本做出最后的分类。基于多模态数据的实验中,基于级联3D-CNNs的AD和NC的分类准确率达93.26%,在pMCI和NC的分类任务准确率达82.95%。