[发明专利]一种基于深度可分离卷积的阿尔兹海默病分类方法

权利要求书

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，V_i是V中的第i的元素，S_i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：

y_pre＝model(x) (3)，

X₁＝argmax(y_pre,1) (4)，

X₂＝argmax(y_tag,1) (5)，

X₃＝equal(X₁,X₂) (6)，

其中x是输入的测试样本，y_tag是x的标签，m是输入测试的样本数量，y_pre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。