[发明专利]一种用于辅助诊断阿兹海默症的知识迁移学习方法

说明书

本发明公开了一种基于辅助域迁移学习诊断阿兹海默症的方法。通过将医学影像与自然图像聚类，得到自然图像数据集的一个子集，这个子集中的自然图像的“距离”与医学影像更近，用它们训练网络可以使CNN间接学习到医学影像的特征，再通过迁移学习的方式训练医学影像数据，提高了CNN自动识别阿兹海默症的精度。本发明使用OASIS数据集作为AD数据集，ImageNet数据集作为自然图像数据集完成了实验，并做了5次交叉验证。与直接训练CNN和使用SVM分类器等方法比较后，本发明提出的方法的准确率有明显提升，表明本发明提出的方法是有效的，并可以可解决传统深度学习中训练速度慢，大量消耗计算资源，容易过拟合等问题。

技术领域

本发明设计了一种用于辅助诊断阿兹海默症的知识迁移学习方法，属于医学影像处理领域。

背景技术

阿兹海默症(Alzheimer's disease，AD)是一种常见的老年病，会导致记忆、思维和行为方面的问题，具体表现在记忆和其他认知能力丧失，对患者的生活产生很大影响。已知导致阿兹海默症的最大因素是衰老，随着时间的推移，患者的病情会逐渐加重并最终导致死亡。阿兹海默症的尽早确诊对病人护理有重要作用，可以提高治愈机率。阿兹海默症患者的脑部磁共振影像是一种有效的临床诊断手段。

近年来，卷积神经网络(Convolutive Neural Netowrk,CNN)在计算机视觉领域获得了巨大成功，在医学影像分析领域也有广泛的应用。CNN的强大之处在于更深的网络结构能够提取大量抽象特征，但是从头训练一个CNN十分消耗时间和计算资源。首先，训练CNN需要大量有标签的数据，这些标签很难获得，尤其在医学影像处理领域，这些标签需要耗费专业医师大量时间进行标注，并且相关病理的数量稀少。训练一个深度卷积神经网络经常会遇到过拟合和损失函数不收敛等问题，解决方法是反复调整网络结构和学习参数，这需要大量的计算资源和内存/显存资源，而且极其耗费时间。

为加快CNN训练速度，目前在医学影像分类问题中通常采用的做法是用自然图像数据集上训练得到的参数直接初始化CNN，但医学影像和自然图像之间差异巨大，直接在两者直接做知识迁移导致CNN分类准确率不能得到保障，且后期微调CNN工作繁重。

发明内容

本发明针对上述问题提出一种新的解决方案：先将自然图像数据集与医学影像数据集聚类，得到一个自然图像数据集的子集，这个子集中的自然图像与医学影像“距离”更近，因此用子集训练CNN更有针对性，CNN能间接学习到医学影像的特征，然后再用医学影像微调CNN。这样做的分类效果比直接做知识迁移的分类效果好。

本发明提出了一种用于辅助诊断阿兹海默症的知识迁移学习方法，在自然图像与医学影像之间聚类形成一个相关度高的自然图像子集，利用该子集做医学影像的迁移学习。该方法首先利用AD数据集与自然图像数据集做聚类，选出与AD影像“距离”相近的自然图像，用这部分自然图像微调VGG16网络，把网络中的卷积-池化层对的参数保留下来，用这些参数初始化CNN分类AD影像，并经过交叉验证得到实验结果。

本发明的技术方案如下：

一种用于辅助诊断阿兹海默症AD的知识迁移学习方法，包括以下步骤：

(一)数据预处理：将AD数据集中的AD图像进行下采样，保持图像高度和宽度不变，使其通道数降为3，以适应VGG16卷积神经网络输入数据的格式；

(二)聚类：

(1)取自然图像数据集的前N类图像，将此N类自然图像的高度和宽度调整成与AD图像相同；

(2)降维：为了有效提取特征得到最好的聚类效果，采用自编码器进行特征降维，假设AD图像的宽度为w、高度为h、通道数为c则自编码器的输入输出大小均为w*h*c，中间层大小为2*2*1，将AD图像和自然图像送入自编码器，利用自编码器提取它们的4维特征向量；