您当前的位置：
首页 > 文献资料
所属专业：
特征迁移学习文献资料
-
基于深度卷积网络的阿尔茨海默病诊断模型研究
目的:提出一种基于脑MRI与深度学习和迁移学习准确区分阿尔茨海默病(Alzheimer's disease,AD)与正常老化(normal control,NC)的方法.方法:选取阿尔茨海默病神经影像学组织(Alzheimer Disease Neuroimaging Initiative,ADNI)数据库中194例NC与105例AD受试者的脑结构磁共振成像(structural MRI,sMRI),生成全脑灰质图.基于经典网络AlexNet采用特征迁移学习的方法对AD与NC分别进行特征提取,再结合主成分分析法与序列前向搜索的方法对特征降维与选择,后运用支持向量机对所选特征进行分类,统计高斯平滑核半高宽(full width at half maximum,FWHM)分别为0、8 mm时在卷积层conv3、conv4、conv5的分类准确率、灵敏度和特异性.结果:在AlexNet第四卷积层(conv4)分类准确率达到优,在高斯平滑核FWHM为0 mm时,conv4分类准确率为95.14％,灵敏度和特异性分别为96.43％和94.83％.结论:通过该研究提出的分类方法建立的特征迁移学习模型在AD与NC分类中取得较为理想的分类结果,说明该方法是一种可行的分类方法.
