[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

摘要

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。

主权项

1.一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；(3)聚类：得到AD图像和自然图像的特征向量后，用KMeans算法将AD图像和自然图像的特征向量聚为2类，统计每个AD图像得到的类别标签，将大多数AD图像得到的类别标签作为所有AD图像的类别标签，将自然图像中得到的类别标签与AD图像的类别标签一致的自然图像选取出来，构成原自然图像数据集的一个子集；(三)自然图像的迁移学习:更改VGG16网络的全连接层和输出层，将输出层神经元个数改为N，变成一个N类的分类网络，利用上一步得到的类别标签与AD图像的类别标签一致的自然图像数据集的子集训练该分类网络，并将学习到的卷积—池化层对的参数保留下来；(四)AD图像的迁移学习：修改VGG16网络的全连接层和输出层，将输出层神经元个数改为2，同时增加Dropout层防止过拟合，重构一个2分类的卷积神经网络，用步骤(三)中保留的参数初始化该2分类卷积神经网络中的卷积—池化层对，训练该2分类网络，用训练好的该网络对AD图像进行2分类，通过分类结果判断病人是否患有AD。