论文部分内容阅读
阿尔茨海默症(Alzheimer’s Disease,AD)是一种不可逆的大脑神经退行性疾病。轻度认知障碍(MCI)是一种介于AD和认知正常(CN)之间的症状,其作为AD的早期阶段,对预防和干预病情的发展非常重要。本文对基于密集卷积网络的阿尔茨海默症分类进行研究,分别给出了 AD早期诊断模型和MCI到AD的转化预测模型,并对主动学习算法进行研究,给出一种基于多策略的批量式主动学习算法。本文的主要研究内容如下:1、给出一种基于多尺度特征和序列学习的AD早期诊断模型。针对2D-CNN不能有效获取磁共振成像(MRI)序列信息的问题,且考虑到MRI图像数据集规模较小,给出一种参数量较少的三维轻量密集卷积网络(3D-LDenseNet)作为基础模型;针对3D-LDenseNet只能在固定感受野和局部切片序列内提取图像特征的问题,在模型中引入空洞卷积和卷积长短时记忆网络,以增强模型对于MRI图像的多尺度特征提取能力和序列学习能力。2、给出一种基于注意力机制的MCI到AD的转化预测模型。针对发展型MCI(progressive MCI,pMCI)和稳定型MCI(stable MCI,sMCI)病灶区域变化相差细微的问题,以AD早期诊断模型为基础,通过在模型中增加空间注意力机制和通道注意力机制,提取MRI图像的空间和通道的显著特征信息,使得模型在训练过程中可以准确地定位到利于分类的显著区域,增强模型对sMCI和pMCI的区分能力。3、给出一种基于多策略的批量式主动学习算法。针对批量式主动学习算法筛选出的批量样本存在信息冗余的问题,在利用不确定性策略对样本进行筛选的基础上,引入卷积自编码器和聚类算法用于衡量样本的代表性,并利用距离度量对未标注样本与标注样本之间的相似性进行衡量。通过对未标注样本进行不确定性、代表性和相似性的综合衡量,提升所选样本的代表性和标注样本集的多样性,在一定程度上缓解所选样本之间的冗余信息,从而可以利用尽可能少的标注样本达到模型的预期性能。