[發明專利]一種基于膨脹卷積神經網絡的MCI分類方法

有效

• 申請號: 201910383331.0
• 申請日: 2019-05-08
• 公開（公告）號: CN110136109B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 焦竹青;焦庭軒;季一新;張煜東;鄒凌
• 申請（專利權）人: 常州大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06T7/00;G06T7/11;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 李寰

本發明涉及一種基于膨脹卷積神經網絡的MCI分類方法，包括以下步驟：對大腦功能磁共振成像進行預處理，用標準化模板將大腦分區并提取時間序列；采用低階滑窗法和min?max標準化方法構建動態大腦功能網絡；統一相關系數矩陣大小，添加正確標簽，按批次傳入神經網絡訓練；使用普通卷積核對矩陣進行特征提取，再用帶有膨脹系數的卷積核進一步提取特征；對卷積層輸出進行非線性映射，將特征圖扁平化為一維數組與全連接層神經元相連；利用Softmax函數實現網絡分類識別并使用交叉熵代價函數計算損失值；基于CNN反向傳播算法將誤差層層回傳，利用Adam優化器更新每一層權值，最終得到MCI和正常被試的分類結果。本發明在阿爾茨海默病的早期診斷方面具有重要的參考價值。

技術領域

本發明屬于醫學信息處理技術領域，是一種MCI分類方法，具體地說，是一種基于膨脹卷積神經網絡的MCI分類方法，利用膨脹卷積神經網絡對大腦功能網絡進行特征提取和分類。

背景技術

輕度認知障礙(eMCI)是介于正常衰老和癡呆之間的一種中間狀態，患者存在輕度認知功能減退。被診斷為MCI之后不采取任何有效的對策任其發展，那么MCI就會進一步惡化，進而發展成阿爾茲海默癥(AD)的幾率會大大增加，俗稱老年癡呆癥。有數據顯示，被診斷為輕度認知障礙的患者中,大約40％的病人發展為老年癡呆癥。相反，如果能夠早發現早治療，相比于AD來說，MCI階段的治療效果更好。然而，MCI病人的日常生活不會受到明顯影響，是處在正常范圍和AD之間的灰色地帶。通常很難被察覺，所以將目標放在正常人與阿爾茲海默癥的早期(即MCI)診斷具有十分重要的意義。

近年來，大量的使用傳統的機器學習的方法分析fMRI圖像出現，具有不錯的效果。然而，利用機器學習的方法對疾病分類診斷時，需要手動提取fMRI圖像中的特征。可能會受到人為因素的影響，導致診斷結果不準確。疾病診斷模型往往需要大量的數據進行訓練，使用機器學習方法需要耗費大量的時間。采用深度學習中的卷積神經網絡能夠自動的從低級特征中學習到更加抽象有意義的高級特征，具有局部感受野、權值共享的特點。不僅可以提升模型的準確率，而且大幅的提升模型訓練的效率。雖然CNN在圖像領域具有傳統方法無可比擬的優勢，但是在某些任務中仍存在一些缺點。首先，CNN通過池化操作來實現增大感受野，但是池化操作是固定的，參數無法學習；其次，池化操作會嚴重丟失空間信息(數據結構之間的聯系)。基于上述情況，引入膨脹卷積的算法。該算法在增大感受野的同時，可以避免空間信息的丟失。

發明內容

為了解決上述技術問題，針對卷積神經網絡存在的不足引入膨脹卷積神經網絡，本發明披露了一種基于膨脹卷積神經網絡的MCI分類方法，利用膨脹卷積神經網絡實現MCI的精確分類，為阿爾茨海默病的早期輔助診斷提供依據。

本發明采用的具體技術方案如下：

一種基于膨脹卷積神經網絡的MCI分類方法，包括以下步驟：

步驟一：對采集到的功能磁共振成像數據進行格式轉換和預處理；

步驟二：選擇一種標準化的分區模板將大腦劃分為若干個區域，每個區域對應大腦網絡中的一個節點；

步驟三：計算磁共振圖像中每個腦區所有體素的時間序列平均值，提取所有腦區的時間序列；

步驟四：采用低階滑窗法將提取出來的時間序列劃分為若干個相互重疊，窗口長度相同的子段，利用Pearson相關性計算每個子段的相關系數構建隨時間變化的動態腦功能網絡；

步驟五：為了方便神經網絡的訓練，采用min-max標準化方法，將腦網絡相關性系數歸一化到[0,1]區間，轉換函數如下：

式中，corr*為轉換后的相關系數，corr為轉換前的腦區相關系數，max為腦區相關系數最大值，min為腦區相關系數最小值；

步驟六：為統一相關系數矩陣大小并添加正確的標簽，再按批次傳入網絡中訓練。