论文总字数：18871字

摘 要

阿尔茨海默病(Alzheimer’s disease, AD)会造成大脑结构性病变以及认知功能障碍，严重危害人类生命安全与生活质量。磁共振成像（Magnetic Resonance Imaging, MRI）能清晰地显示大脑内部组织的立体结构，被广泛应用于临床科学研究。大量脑图像的出现给医生带来巨大的阅片负担。深度学习的快速发展为脑图像的智能分析提供了一个强有力的工具。但是，深度学习需要大量的样本，可是带标注的医学影像通常涉及患者隐私且十分昂贵。

本文采用迁移学习的方法对脑图像进行了研究，首先构建了一个五层卷积层交叉叠加五层池化层的深度卷积网络模型。然后再AdvsNC的任务上使用随机初始化参数训练多切面深度网络，得到训练好的模型。然后再在将训练好的模型参数迁移到AdvsMCI任务和MCIvsNC任务多切面深度网络中作为初始化参数。在ADNI数据集上进行仿真实验，在AdvsNC任务中取得73％的准确率，在AdvsMCI任务和MCIvsNC任务上分别取得了65％和60％的准确率。

关键词：阿尔茨海默病 辅助诊断 迁移学习 深度学习

An assistant diagnosis model of brain diseases based on transfer learning

Abstract

Alzheimer's disease (AD) will cause structural changes in the brain and cognitive dysfunction, which will seriously endanger the safety and quality of life of human beings. Magnetic Resonance Imaging (MRI), which can clearly show the three-dimensional structure of the brain's internal tissues, is widely used in clinical research. The appearance of a large number of brain images brings a huge reading burden to doctors. The rapid development of deep learning provides a powerful tool for intelligent analysis of brain images. However, deep learning requires large samples, and tagged medical images are often private and expensive.In this paper, the transfer learning method is used to study the brain image. Firstly, a deep convolutional network model with five convolutional layers overlapping each other and five pooling layers is constructed. Then, random initialization parameters were used on the task of AdvsNC to train the multi-section deep network, and a well-trained model was obtained. Then, the parameters of the trained model were migrated to the AdvsMCI task and the MCIvsNC task multi-slice deep network as initialization parameters. Simulation experiments on ADNI data sets achieved 73% accuracy in AdvsNC task, 65% and 60% accuracy in AdvsMCI task and MCIvsNC task, respectively.

Key Words: Alzheimer's disease; Auxiliary diagnostic model; Deep learning; Transfer learning

目录

摘 要 I

Abstract II

第一章 绪论 1

1.1 课题的研究背景及意义 1

1.2 深度学习国内外研究现状 1

1.3 ADNI数据集 3

1.4 本文的研究内容与组织结构 3

第二章 MRI数据的预处理 5

2.1大脑的结构 5

2.2 MRI图像预处理 6

2.3实验软硬件环境 10

第三章 卷积神经网络的搭建 12

3.1 人工神经网络简介 12

3.2 卷积神经网络基本结构 13

3.4 卷积神经网络的优势 15

3.5 迁移学习 15

第四章 基于迁移学习的脑图像分析 17

4.1 数据预处理 17

4.2 搭建卷积神经网络 18

4.3 实验结果与分析 20

4.4 总结 24

第五章 总结与展望 25

5.1全文总结 25

5.2系统评价 25

5.3展望 26

参考文献 27

致谢 30

第一章 绪论

1.1 课题的研究背景及意义

脑疾病是危害人类健康的重大威胁之一，脑疾病有许多种类型，包括脑部肿瘤、脑部结构性创伤、脑部血管性疾病^[1]等等。阿尔茨海默病是令现代医学最为棘手的脑疾病之一。据报道，我国已经是阿尔茨海默病患者最多的国家，患者数量多达1000万。并且患病人数还在不断增加。依据阿尔茨海默病的早期症状，在早期进行预诊断并及时进行预后治疗能有效缓解疾病恶化的进程。疾病后期，医学干预的作用十分有限。现代医学大体上将阿尔茨海默病的病程划分成三个阶段：疾病初期是症状前AD，然后发展为MCI（轻度认知功能障碍），后随着病情进一步恶化，最终发展成AD。因此，对早期阿尔茨海默病(MCI 或者症状前 AD 阶段)做出精确的诊断将对治疗或延缓疾病的发展进程起到很大作用。近年来，基于机器学习的脑图像分析方法与技术在早期阿尔茨海默病的诊断中发挥巨大的作用^[2]。这些脑图像通常有核磁共振成像、正电子发射断层扫描、锥形束CT、计算机断层扫描等。核磁共振成像能够提供高分辨率的脑部组织与结构图像，能够直观的看出阿尔茨海默病患者的脑灰质结构性萎缩，是作为深度学习的训练数据的十分优良的样本。利用机器学习的方法处理这些医学图像数据，为临床医学提供精确可靠的筛查、诊断、疗效评估等。并作为一个独立的诊断工具参与到临床医学中，为病人提供更科学可靠的治疗方法，是将机器学习的方法投入到医学影像技术的重要意义。

1.2 深度学习国内外研究现状

1960年代，Hubel与Wiesel在研究猫脑皮层中神经元有方位测定功能的过程中发现其的层次性的网络结构^[3]，从而提出了卷积神经网络。现在，CNN已经成为人工智能领域的研究热点之一，它使用卷积核的参数共享原理来降低神经网络的复杂性，分为有监督学习和无监督学习两种方式。随着CNN的相关研究被持续推进，越来越多的CNN模型类型被提出来，它在计算机领域的应用十分广泛，在图像处理，文本识别和语音辨识领域都有CNN的用武之地。在1960年代，生物学家提出了接受区域^[4]，用于研究猫的视觉皮层。到1984年，日本学者福岛基于接受领域，提出了一种神经认知机器^[5]，它最先实现了卷积网络的自学习。

1989年，Yann Le Cun利用随机梯度下降法来更新网络权重，构造了一结构简单却效率很高的CNN网络^[6]。Shi在这个网络架构的基础上，对图像分类进行了初步探索^[7]，为以后的深度学习发展奠定了重要的基础。2006年，Hinton提出了一种基于无监督学习的贪婪逐层训练算法^[8]。随着深度学习的研究被学界持续推进，CNN获得了科研人员相当大的关注，CNN的学习能力也随之获得了质的提升。 2012年，Hinton和Krizhevsky等人设计的AlexNet在Imagenet比赛中一骑绝尘取得了极高的辨识精度^[8]。2014年，Goodfellow等人提出了一种对抗神经网络GAN^[11]随着研究人员的不断完善，出现了许多GAN变体，其中的代表是基于深度卷积的GAN，简称为DCGAN。

请支付后下载全文，论文总字数：18871字