[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

说明书

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。

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：