CN109558912A - 一种基于深度可分离卷积的阿尔兹海默病分类方法 - Google Patents

一种基于深度可分离卷积的阿尔兹海默病分类方法 Download PDF

Info

Publication number
CN109558912A
CN109558912A CN201910053872.7A CN201910053872A CN109558912A CN 109558912 A CN109558912 A CN 109558912A CN 201910053872 A CN201910053872 A CN 201910053872A CN 109558912 A CN109558912 A CN 109558912A
Authority
CN
China
Prior art keywords
convolution
depth
alzheimer
input
disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910053872.7A
Other languages
English (en)
Inventor
刘俊秀
李铭星
罗玉玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Normal University
Original Assignee
Guangxi Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN201910053872.7A priority Critical patent/CN109558912A/zh
Publication of CN109558912A publication Critical patent/CN109558912A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度可分离卷积的阿尔兹海默病分类方法，包括如下步骤：1）构建CNN网络模型；2）构建深度可分离卷积神经网络；3）对MRI图像进行预处理；4）对预处理后的MRI图像进行训练和测试；5）输出分类结果。这种方法能对传统的标准卷积神经网络分类阿尔兹海默病的过程进行优化，能减少分类模型的参数和计算成本，能解决阿尔兹海默病的分类应用到计算资源和内存资源有限的嵌入式设备上计算量大的问题。

Description

一种基于深度可分离卷积的阿尔兹海默病分类方法
技术领域
本发明涉及医学图像分类预测领域，具体是一种基于深度可分离卷积的阿尔兹海默病分类方法。
背景技术
阿尔茨海默病(Alzheimer’s Disease，简称AD)是人群中引起痴呆的神经退行性疾病，其特征是老年人的认知和记忆逐渐丧失，这种疾病最终会导致病人的死亡。据预测，到2050年，每85人中就有一人受阿尔茨海默病影响。到目前为止，阿尔茨海默病的病因还不清楚，据报道还没有有效的药物或治疗方法可以阻止或逆转阿尔茨海默病的恶化。阿尔茨海默病的早期诊断对于制定治疗计划以减缓阿尔茨海默病的恶化至关重要。阿尔茨海默病的诊断，特别是过渡期，即轻度认知障碍(Mild Cognitive Impairment，简称MCI)近年来受到越来越多的关注。每年大约有10％-15％的轻度患者转化成阿尔茨海默病。MCI转换到阿尔茨海默病伴随着大脑中的灰质丢失，内侧颞叶结构的体积异常，右上额叶大脑的功能性连接降低，海马旁回旋中的激活减少。因此，开发一种新的方法去识别阿尔茨海默病是非常必要的，不仅可以增强对阿尔茨海默病的病理生理学进展的理解，还有助于阿尔茨海默病的临床研究。
很多的神经成像技术可用于人脑功能和结构的成像，例如扩散张量成像(Diffusion Tensor Imaging，简称DTI)，磁共振波谱(Magnetic ResonanceSpectroscopy，简称MRS)，脑电图(Electroencephalography，简称EEG)，磁共振成像(Magnetic Resonance Image，简称MRI)。磁共振成像最近在全脑神经连接的研究中越来越受欢迎，作为一种先进的脑成像技术，磁共振成像已经显示出提供全面信息以实现高水平神经疾病鉴定的巨大潜力。机器学习被广泛的应用于成像数据的自动模式识别，并且表现出不错的效果。识别阿尔茨海默病可以通过机器学习对磁共振成像进行自动分析来实现。
最近有研究表明，在某些情况下，机器学习算法可以比临床医生更好地预测阿尔茨海默病，因此它成为计算机辅助诊断的重要研究领域。虽然支持向量机(Support VectorMachine，简称SVM)等统计机器学习方法在自动检测阿尔茨海默病方面表现出早期成功，但最近的深度学习方法的性能优于统计方法。卷积神经网络(Convolutional NeuralNetwork，简称CNN)在深度学习中表现相当优异，由于其在图像分类和分析方面取得的巨大成就引起了很多关注。卷积神经网络强大的能力促使研究人员在开发基于卷积神经网络的阿尔茨海默病的分类方法。然而，很多工作都只是追求分类精度的提升，很少有研究卷积神经网络的阿尔茨海默病的分类的优化的工作。
虽然上面所述的这些深度学习算法提供了良好的准确性结果，但是模型的参数和计算量都是非常大的，这是不适合应用到计算资源和内存资源有限的嵌入式设备上的。深度可分离卷积神经网络(Depthwise Separable Convolutional Neural Network，简称DSCNN)对流行的卷积神经网络架构进行了优化，减少了模型的参数和计算量，并且识别精度几乎没有下降，更加适合部署到计算资源和内存资源有限的嵌入式设备。
发明内容
本发明的目的是针对现有技术的不足，而提供一种基于深度可分离卷积的阿尔兹海默病分类方法。这种方法能对传统的标准卷积神经网络分类阿尔兹海默病的过程进行优化，能减少分类模型的参数和计算成本，能解决阿尔兹海默病的分类应用到计算资源和内存资源有限的嵌入式设备上计算量大的问题。
实现本发明目的的技术方案是：
一种基于深度可分离卷积的阿尔兹海默病分类方法，与现有技术不同处在于，包括如下步骤：
1)构建CNN网络模型：以标准卷积神经网络(Convolutional Neural Network，简称CNN)为基础，将待预测的阿尔兹海默病的MRI图像作为CNN网络模型的输入，所述的标准卷积神经网络包括H个标准卷积层，每一个标准卷积层完成特征提取的操作，特征提取包括如下步骤：
(1)先用卷积核提取特征；
(2)对卷积后的特征映射进行批量标准化(Batch Normalization，简称BN)；
(3)标准卷积层中的整流线型单元(Rectified Linear Units，简称ReLU)激活函数被应用于每一个卷积操作，它使得网络中的神经元具有稀疏激活性；
(4)每一个卷积层后面连接的一个最大池化层通过池化操作来降低卷积层输出的特征向量的维度；
在标准卷积神经网络的分类模块中，先将特征映射展平为特征向量，然后使用k个完全连接层将特征向量密集化，最后用softmax函数输出预测概率,softmax函数的公式为公式(1)：
其中，V是一个数组，共有j个元素，Vi是V中的第i的元素，Si是第i个元素的输出概率；
2)构建深度可分离卷积神经网络：用深度可分离卷积替代步骤1)中CNN网络模型的标准卷积，所述深度可分离卷积包括深度卷积和点卷积两个模块，构建深度可分离卷积神经网络(Depthwise Separable Convolutional Neural Network,简称DSCNN)，深度可分离卷积是分解标准卷积的一种是形式，它将标准卷积分解为深度卷积和点卷积(1×1的卷积核)，深度卷积将每个卷积核应用到MRI图像的每一个通道，而点卷积用来组合通道卷积的输出，一个标准卷积层,既要完成滤波又要将输入合并到一组新的输出中，深度可分离卷积将其分为两层，一层用于滤波，另一层用于组合；
3)对MRI图像进行预处理：对多种类别的MRI图像进行预处理，并将预处理后的数据分为训练数据和测试数据；
4)对预处后的MRI图像进行训练和测试：将步骤3)预处理后的MRI图像作为步骤2)建立的深度可分离卷积神经网络的输入，对深度可分离卷积神经网络进行训练和测试，当迭代到5000次时，完成训练，得到训练好的深度可分离卷积神经网络模型；
5)输出分类结果：将预处理后的已知类别的MRI图像输入到训练好的深度可分离卷积神经网络模型，深度可分离卷积神经网络的分类层输出L个概率值，保留最大的概率值，最大概率值对应的分类标签即是分类结果。
步骤1)中所述的整流线型单元激活函数为公式(2)：
其中x是卷积层提取的特征向量，ReLU(x)是经过整流线型单元激活函数的反馈值。
步骤3)中所述MRI图像的种类包括正常人(Normal Control,简称NC)、轻度认知障碍(Mild Cognitive Impairment,简称MCI)和阿尔兹海默病(Alzheimer’s Disease，简称AD)的图像。
步骤3)中所述的预处理包括：
(1)采用翻转、旋转和剪切对MRI图像进行数据增强；
(2)对数据增强后的MRI图像进行下采样处理，将处理好的MRI图像数据，分为训练数据和测试数据。
步骤4)中所述的训练和测试为：
(1)将预处理好的MRI图片的训练样本数据作为深度可分离卷积神经网络的输入，每次输入一个样本数为100的小批量的样本；
(2)深度卷积神经网络将每个卷积核应用到输入的MRI图片的每一个通道，为每个输入通道应用单个滤波器，之后使用批量标准化(Batch Normalization，BN)和整流线型单元激活函数；
(3)点卷积用来组合深度卷积的输出，使用简单的点卷积即1×1卷积核来创建深度层的输出的线性组合，之后使用批量标准化和整流线型单元激活函数；
(4)将经过M个深度可分离卷积层提取的特征映射展平为特征向量，然后使用K个完全连接层将特征向量密集化，最后用softmax函数输出预测概率，其中，最大概率值对应的分类标签即为分类结果；
(5)将分类结果与该测试样本的标签对比，计算测试的分类精度，分类精度可以作为评判模型的标准之一。
所述计算测试的分类精度采用如下公式：
ypre＝model(x) (3)，
X1＝argmax(ypre,1) (4)，
X2＝argmax(ytag,1) (5)，
X3＝equal(X1,X2) (6)，
其中x是输入的测试样本，ytag是x的标签，m是输入测试的样本数量，ypre是预测的结果，argmax()函数是返回预测结果和标签中的最大值的下标，并且按照输入的顺序排列，equal(X1,X2)函数判断X1和X2相同位置的下标数是否相等，如果相等则表示预测正确，X3是预测正确的总样本数，最终的输出P是网络的测试精度。
本技术方案通过将深度可分离卷积代替传统的标准卷积，深度可分离卷积由深度卷积和点卷积组成，得到一个新的优化后的神经网络模型，标准卷积操作同时考虑了特征图片的通道和区域，深度可分离卷积先只考虑特征图片的区域，然后再考虑通道，实现了通道和区域的分离；并将检测阿尔兹海默病的MRI图像作为神经网络的输入，利用输入的训练样本对深度可分离卷积网络进行训练，优化神经网络的参数，最终得到训练好的神经网络，将待分类的MRI图像输入到训练好的深度可分离卷积神经网络，输出分类结果。
本技术方案通过深度可分离卷积对标准卷积进行优化改进，标准卷积操作同时考虑了特征图片的通道和区域，深度可分离卷积先只考虑特征图片的区域，然后再考虑通道，实现了通道和区域的分离。
这种方法能对传统的标准卷积神经网络分类阿尔兹海默病的过程进行优化，减少了分类模型的参数和计算成本，解决了阿尔兹海默病的分类应用到计算资源和内存资源有限的嵌入式设备上计算量大的问题。
附图说明
图1为实施例中的方法流程示意图；
图2为实施例中标准卷积神经网络模型的总体架构示意图；
图3为实施例中标准卷积层的结构示意图；
图4为实施例中深度可分离卷积层的结构示意图。
具体实施方式
下面结合附图和实施例对本发明内容作进一步的阐述，但不是对本发明的限定。
实施例：
参照图1，一种基于深度可分离卷积的阿尔兹海默病分类方法，包括如下步骤：
1)构建CNN网络模型：以标准卷积神经网络为基础，将待预测的阿尔兹海默病的MRI图像作为CNN网络模型的输入，所述的标准卷积神经网络包括H个标准卷积层，每一个标准卷积层完成特征提取的操作，特征提取包括如下步骤：
(1)先用卷积核提取特征；
(2)对卷积后的特征映射进行批量标准化；
(3)标准卷积层中的整流线型单元激活函数被应用于每一个卷积操作，它使得网络中的神经元具有稀疏激活性；
(4)每一个卷积层后面连接的一个最大池化层通过池化操作来降低卷积层输出的特征向量的维度，如图3所示，本例中每一个卷积层后面连接的一个最大池化层将前面的特征图进行2×2的下采样，标准卷积层的参数计算公式为公式(8)：
F＝M×N×DK 2 (8)，
标准卷积层的计算量计算公式为公式(9)：
G＝M×N×Di 2×DK 2 (9)，
其中，M是输入标准卷积层的数据通道数，N是输出标准卷积层的数据通道数，Dk是卷积核的宽和高，Di是输入数据的像素的宽和高，公式(8)和公式(9)都满足卷积步长为1和卷积填充的条件，
在标准卷积神经网络的分类模块中，先将特征映射展平为特征向量，然后使用K个完全连接层将特征向量密集化，最后用softmax函数输出预测概率,softmax函数的公式为公式(1)：
其中，V是一个数组，共有j个元素，Vi是V中的第i的元素，Si是第i个元素的输出概率，本例中，标准的卷积神经网络如图2所示，输入图像是预处理后的单通道的灰度MRI图像，像素是56×56，3个标准卷积层，用于提取MRI图片特征，标准卷积采用3×3的卷积核，然后将标准卷积提取的特征映射展平为一维特征向量，接着使用2个完全连接层将特征向量密集化，最后用softmax函数输出预测概率，选取最大概率值，最大概率值对应的标签即是预测的种类；
2)构建深度可分离卷积神经网络：用深度可分离卷积替代步骤1)中CNN网络模型的标准卷积，所述深度可分离卷积包括深度卷积和点卷积两个模块，构建深度可分离卷积神经网络，深度可分离卷积是分解标准卷积的一种是形式，它将标准卷积分解为深度卷积和点卷积(1×1的卷积核)，深度卷积将每个卷积核应用到MRI图像的每一个通道，而点卷积用来组合通道卷积的输出，一个标准卷积层，既要完成滤波又要将输入合并到一组新的输出中，深度可分离卷积将其分为两层，一层用于滤波，另一层用于组合，本例中，深度可分离卷积层如图4所示，深度可分离卷积层替代标准卷积神经网络的后两个标准卷积层，深度卷积的卷积核是3×3，点卷积的卷积核是1×1，其他网络结构不做改变，标准卷积层被替代后，神经网络为优化后的深度可分离卷积神经网络。
深度可分离卷积层的参数计算公式为公式(10)：
F2＝M×DK 2+M×N (10)，
深度可分离卷积层的计算量计算公式为公式(11)：
其中，M是输入标准卷积层的数据通道数，N是输出标准卷积层的数据通道数，Dk是卷积核的宽和高，Di是输入数据的宽和高，公式(10)和公式(11)都满足深度卷积的步长为2和卷积填充，点卷积的步长为1和卷积不填充的条件；
3)对MRI图像进行预处理：对多种类别的MRI图像进行预处理，并将预处理后的数据分为训练数据和测试数据；
4)对预处后的MRI图像进行训练和测试：将步骤3)预处理后的MRI图像作为步骤2)建立的深度可分离卷积神经网络的输入，对深度可分离卷积神经网络进行训练和测试，当迭代到5000次时，完成训练，得到训练好的深度可分离卷积神经网络模型；
5)输出分类结果：将预处理后的已知类别的MRI图像输入到训练好的深度可分离卷积神经网络模型，深度可分离卷积神经网络的分类层输出L个概率值，在本实例中，输出3个概率值，保留最大的概率值，最大概率值对应的分类标签即是分类结果。
步骤1)中所述的整流线型单元激活函数为公式(2)：
其中x是卷积层提取的特征向量，ReLU(x)是经过整流线型单元激活函数的反馈值。
步骤3)中所述MRI图像的种类包括正常人、轻度认知障碍和阿尔兹海默病的图像。
步骤3)中所述的预处理包括：
(1)采用翻转、旋转和剪切对MRI图像进行数据增强；
(2)对数据增强后的MRI图像进行下采样处理，将处理好的MRI图像数据，分为训练数据和测试数据。
步骤4)中所述的训练和测试为：
(1)将预处理好的MRI图片的训练样本数据作为深度可分离卷积神经网络的输入，每次输入一个样本数为100的小批量的样本；
(2)深度卷积神经网络将每个卷积核应用到输入的MRI图片的每一个通道，为每个输入通道应用单个滤波器，之后使用批量标准化和整流线型单元激活函数；
(3)点卷积用来组合深度卷积的输出，使用简单的点卷积(1×1卷积核)来创建深度层的输出的线性组合，之后使用批量标准化和整流线型单元激活函数；
(4)将经过1个标准卷积层和2个深度可分离卷积层提取的特征映射展平为特征向量，然后使用2个完全连接层将特征向量密集化，最后用softmax函数输出预测概率，其中，最大概率值对应的分类标签即为分类结果；
(5)将分类结果与该测试样本的标签对比，计算测试的分类精度，分类精度可以作为评判模型的标准之一。
所述计算测试的分类精度采用如下公式：
ypre＝model(x) (3)，
X1＝argmax(ypre,1) (4)，
X2＝argmax(ytag,1) (5)，
X3＝equal(X1,X2) (6)，
其中x是输入的测试样本，ytag是x的标签，m是输入测试的样本数量，ypre是预测的结果，argmax()函数是返回预测结果和标签中的最大值的下标，并且按照输入的顺序排列，equal(X1,X2)函数判断X1和X2相同位置的下标数是否相等，如果相等则表示预测正确，X3是预测正确的总样本数，最终的输出P是网络的测试精度。
本例构建了两个神经网络，标准卷积神经网络和深度可分离卷积神经网络，深度可分离卷积神经网络是对标准卷积的优化改进，两个模型的性能对比如表一所示。在标准卷积层和深度卷积层都采用3×3卷积核的时候，深度可分离卷积比标准卷积神经网络节省了约87.68％的网络参数和约93.99％的计算成本，此例的计算成本主要统计乘法的计算次数，测试精度只下降了0.11％，深度可分离卷积神经网络的参数和计算成本都大大少于标准卷积神经网络，所以深度可分离卷积神经网络更有利于应用到计算能力和内存资源有限的嵌入式设备。
表1.CNN模型和DSCNN模型性能对比

Claims (6)

1.一种基于深度可分离卷积的阿尔兹海默病分类方法，其特征在于，包括如下步骤：
1)构建CNN网络模型：以标准卷积神经网络为基础，将待预测的阿尔兹海默病的MRI图像作为CNN网络模型的输入，所述的标准卷积神经网络包括H个标准卷积层，每一个标准卷积层完成特征提取的操作，特征提取包括如下步骤：
(1)先用卷积核提取特征；
(2)对卷积后的特征映射进行批量标准化；
(3)标准卷积层中的整流线型单元激活函数被应用于每一个卷积操作，它使得网络中的神经元具有稀疏激活性；
(4)每一个卷积层后面连接的一个最大池化层通过池化操作来降低卷积层输出的特征向量的维度；
在标准卷积神经网络的分类模块中，先将特征映射展平为特征向量，然后使用K个完全连接层将特征向量密集化，最后用softmax函数输出预测概率,softmax函数的公式为公式(1)：
其中，V是一个数组，共有j个元素，Vi是V中的第i的元素，Si是第i个元素的输出概率；
2)构建深度可分离卷积神经网络：用深度可分离卷积替代步骤1)中CNN网络模型的标准卷积，所述深度可分离卷积包括深度卷积和点卷积两个模块，构建深度可分离卷积神经网络；
3)对MRI图像进行预处理：对多种类别的MRI图像进行预处理，并将预处理后的数据分为训练数据和测试数据；
4)对预处理后的MRI图像进行训练和测试：将步骤3)预处理后的MRI图像作为步骤2)建立的深度可分离卷积神经网络的输入，对深度可分离卷积神经网络进行训练和测试，迭代到5000次，完成训练，得到训练好的深度可分离卷积神经网络模型；
5)输出分类结果：将预处理后的已知类别的MRI图像输入到训练好的深度可分离卷积神经网络模型，深度可分离卷积神经网络的分类层输出L个概率值，保留最大的概率值，最大概率值对应的分类标签即是分类结果。
2.根据权利要求1所述的基于深度可分离卷积的阿尔兹海默病分类方法，其特征在于，步骤1)中所述的整流线型单元激活函数为公式(2)：
其中x是卷积层提取的特征向量，ReLU(x)是经过整流线型单元激活函数的反馈值。
3.根据权利要求1所述的基于深度可分离卷积的阿尔兹海默病分类方法，其特征在于，步骤3)中所述MRI图像的种类包括正常人、轻度认知障碍和阿尔兹海默病的图像。
4.根据权利要求1所述的基于深度可分离卷积的阿尔兹海默病分类方法，其特征在于，步骤3)中所述的预处理包括：
(1)采用翻转、旋转和剪切对MRI图像进行数据增强；
(2)对数据增强后的MRI图像进行下采样处理，将处理好的MRI图像数据，分为训练数据和测试数据。
5.根据权利要求1所述的基于深度可分离卷积的阿尔兹海默病分类方法，其特征在于，步骤4)中所述的训练和测试为：
(1)将预处理好的MRI图片的训练样本数据作为深度可分离卷积神经网络的输入，每次输入一个样本数为100的小批量数据；
(2)深度卷积神经网络将每个卷积核应用到输入的MRI图片的每一个通道，为每个输入通道应用单个滤波器，之后使用批量标准化和整流线型单元激活函数；
(3)点卷积用来组合深度卷积的输出，使用简单的点卷积即1×1卷积核来创建深度层的输出的线性组合，之后使用批量标准化和整流线型单元激活函数；
(4)将经过H个深度可分离卷积层提取的特征映射展平为特征向量，然后使用k个完全连接层将特征向量密集化，最后用softmax函数输出预测概率，其中，最大概率值对应的分类标签即为分类结果；
(5)将分类结果与该测试样本的标签对比，计算测试的分类精度。
6.根据权利要求5所述的基于深度可分离卷积的阿尔兹海默病分类方法，其特征在于，所述计算测试的分类精度采用如下公式：
ypre＝model(x) (3)，
X1＝argmax(ypre,1) (4)，
X2＝argmax(ytag,1) (5)，
X3＝equal(X1,X2) (6)，
其中x是输入的测试样本，ytag是x的标签，m是输入测试的样本数量，ypre是预测的结果，argmax()函数是返回预测结果和标签中的最大值的下标，并且按照输入的顺序排列，equal(X1,X2)函数判断X1和X2相同位置的下标数是否相等，如果相等则表示预测正确，X3是预测正确的总样本数，最终的输出P是网络的测试精度。
CN201910053872.7A 2019-01-21 2019-01-21 一种基于深度可分离卷积的阿尔兹海默病分类方法 Pending CN109558912A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910053872.7A CN109558912A (zh) 2019-01-21 2019-01-21 一种基于深度可分离卷积的阿尔兹海默病分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910053872.7A CN109558912A (zh) 2019-01-21 2019-01-21 一种基于深度可分离卷积的阿尔兹海默病分类方法

Publications (1)

Publication Number Publication Date
CN109558912A true CN109558912A (zh) 2019-04-02

Family

ID=65873478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910053872.7A Pending CN109558912A (zh) 2019-01-21 2019-01-21 一种基于深度可分离卷积的阿尔兹海默病分类方法

Country Status (1)

Country Link
CN (1) CN109558912A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287767A (zh) * 2019-05-06 2019-09-27 深圳市华付信息技术有限公司 可防攻击的活体检测方法、装置、计算机设备及存储介质
CN110717451A (zh) * 2019-10-10 2020-01-21 电子科技大学 一种基于深度学习的药用植物叶部病害图像识别方法
CN111242233A (zh) * 2020-01-18 2020-06-05 温州大学 一种基于融合网络的阿尔兹海默病分类方法
CN111680553A (zh) * 2020-04-29 2020-09-18 北京联合大学 一种基于深度可分离卷积的病理图像识别方法及系统
CN112598666A (zh) * 2021-01-06 2021-04-02 苏州光格科技股份有限公司 一种基于卷积神经网络的电缆隧道异常检测方法
CN112741596A (zh) * 2019-10-31 2021-05-04 南京大学 一种基于深度可分离卷积神经网络的移动端心音分类方法
WO2021136971A1 (en) * 2019-12-31 2021-07-08 Novocure Gmbh Methods, systems, and apparatuses for fast approximation of electric field distribution
CN114266769A (zh) * 2022-03-01 2022-04-01 北京鹰瞳科技发展股份有限公司 一种基于神经网络模型进行眼部疾病识别的系统及其方法
CN115375665A (zh) * 2022-08-31 2022-11-22 河南大学 一种基于深度学习策略的早期阿尔兹海默症发展预测方法
US11941761B2 (en) 2019-12-31 2024-03-26 Novocure Gmbh Methods, systems, and apparatuses for image segmentation

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287767A (zh) * 2019-05-06 2019-09-27 深圳市华付信息技术有限公司 可防攻击的活体检测方法、装置、计算机设备及存储介质
CN110717451A (zh) * 2019-10-10 2020-01-21 电子科技大学 一种基于深度学习的药用植物叶部病害图像识别方法
CN110717451B (zh) * 2019-10-10 2022-07-08 电子科技大学 一种基于深度学习的药用植物叶部病害图像识别方法
CN112741596A (zh) * 2019-10-31 2021-05-04 南京大学 一种基于深度可分离卷积神经网络的移动端心音分类方法
WO2021136971A1 (en) * 2019-12-31 2021-07-08 Novocure Gmbh Methods, systems, and apparatuses for fast approximation of electric field distribution
EP4075442A1 (en) * 2019-12-31 2022-10-19 Novocure GmbH Methods, systems, and apparatuses for fast approximation of electric field distribution
US11941761B2 (en) 2019-12-31 2024-03-26 Novocure Gmbh Methods, systems, and apparatuses for image segmentation
CN111242233A (zh) * 2020-01-18 2020-06-05 温州大学 一种基于融合网络的阿尔兹海默病分类方法
CN111680553A (zh) * 2020-04-29 2020-09-18 北京联合大学 一种基于深度可分离卷积的病理图像识别方法及系统
CN112598666A (zh) * 2021-01-06 2021-04-02 苏州光格科技股份有限公司 一种基于卷积神经网络的电缆隧道异常检测方法
CN112598666B (zh) * 2021-01-06 2024-06-07 苏州光格科技股份有限公司 一种基于卷积神经网络的电缆隧道异常检测方法
CN114266769A (zh) * 2022-03-01 2022-04-01 北京鹰瞳科技发展股份有限公司 一种基于神经网络模型进行眼部疾病识别的系统及其方法
CN114266769B (zh) * 2022-03-01 2022-06-21 北京鹰瞳科技发展股份有限公司 一种基于神经网络模型进行眼部疾病识别的系统及其方法
CN115375665A (zh) * 2022-08-31 2022-11-22 河南大学 一种基于深度学习策略的早期阿尔兹海默症发展预测方法
CN115375665B (zh) * 2022-08-31 2024-04-16 河南大学 一种基于深度学习策略的早期阿尔兹海默症发展预测方法

Similar Documents

Publication Publication Date Title
CN109558912A (zh) 一种基于深度可分离卷积的阿尔兹海默病分类方法
Khan et al. Machine learning and deep learning approaches for brain disease diagnosis: principles and recent advances
Sahu et al. FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework
Ahmed et al. Single volume image generator and deep learning-based ASD classification
Khan et al. Intelligent fusion-assisted skin lesion localization and classification for smart healthcare
Nagaraj et al. Programmed multi-classification of brain tumor images using deep neural network
CN109886273A (zh) 一种cmr图像分割分类系统
CN109528197B (zh) 基于脑功能图谱进行精神疾病的个体化预测方法和系统
CN110188836A (zh) 一种基于变分自编码器的脑功能网络分类方法
CN111540467B (zh) 精神分裂症分类识别方法、运行控制装置及医疗设备
CN110517253A (zh) 基于3d多目标特征学习的肺结节良恶性分类的方法
CN112489769A (zh) 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统
CN112508953A (zh) 基于深度神经网络的脑膜瘤快速分割定性方法
Xiang et al. A novel weight pruning strategy for light weight neural networks with application to the diagnosis of skin disease
Bansal et al. An improved hybrid classification of brain tumor MRI images based on conglomeration feature extraction techniques
Sarkar et al. Computational Intelligence Approach to improve the Classification Accuracy of Brain Tumour Detection
CN116309615A (zh) 一种多模态mri脑肿瘤图像分割方法
CN114926396A (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
Alharthi et al. Do it the transformer way: a comprehensive review of brain and vision transformers for autism spectrum disorder diagnosis and classification
Pavithra et al. An Overview of Convolutional Neural Network Architecture and Its Variants in Medical Diagnostics of Cancer and Covid-19
Pallawi et al. Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey
CN115937181A (zh) 一种3dcnn和放射组学垂体瘤分型评估方法、系统和存储介质
CN114983341A (zh) 基于多模态特征融合的阿尔茨海默病多分类预测系统
Neelima et al. Fine-Tuning based Deep Transfer Learning System used to Identify the Stage of Brain Tumour from MR-Images
Kalaivani et al. A Deep Ensemble Model for Automated Multiclass Classification Using Dermoscopy Images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190402

RJ01 Rejection of invention patent application after publication