迁移学习特征提取的rs-fMRI早期轻度认知障碍分类

早期轻度认知障碍(early mild cognitive impairment,EMCI)是阿尔兹海默症(Alzheimer’s disease,AD)发生前的必经阶段,EMCI的准确诊断对AD早期预防和治疗都具有积极作用。通过静息态功能性磁共振成像(rest-state functional magnetic resonance imaging,rs-fMRI)来诊断EMCI的深度学习方法性能主要依赖如何提取特征值,而传统提取方法存在特征信息易损失和训练网络时间过长等问题。针对该问题,本文采用迁移学习的特征提取方法来对EMCI分类,首先从rs-fMRI中提取兴趣区(region of interest,ROI)时间序列,以此完成源数据的降维,然后利用MobileNet迁移网络从ROI中提取瓶颈特征,最后将该特征输入到设计的分类顶层网络以得到最后分类结果。在实验中,采用阿尔茨海默病神经影像学数据库(Alzheimer’s disease neuroimaging initiative,ADNI)的数据进行测试,实验结果表明,本文的方法比传统方法的分类精度提高了约10%,而分类时间大约只有传统方法的25%。

使用深度学习和不同频率维度的脑功能性连接对轻微认知障碍的诊断

准确诊断轻微认知障碍(MCI)对于阿尔兹海默症(AD)的预防和治疗十分关键,目前常使用深度学习和静息态功能核磁共振成像(rs-fMRI)对MCI进行辅助诊断。皮尔逊(Pearson)相关法和加窗的皮尔逊(WP)相关法能在时间维度上表示脑功能性连接(FC),但不能将不同频率维度上的信息进行分解表示。针对这一问题,提出将不同频率维度的FC系数作为现有深度学习的特征输入的方法,以提高MCI分类准确率。首先将被试的数据进行拼接后进行多通道经验模态分解(MEMD),然后通过切割求得不同频率维度上的FC系数,最后使用VGG16和长短期记忆(LSTM)网络进行测试。实验结果表明,使用所提出的FC系数时,MCI的分类准确率最高可达84.33%,相较使用传统FC系数时的准确率提高了18.33~21.00个百分点;而且不同频率维度的FC系数对MCI有着不同的分辨率。

3D迁移网络的阿尔茨海默症分类研究

阿尔兹海默症目前还无法被治愈,若能对其正确诊断,则可采用正确治疗方式延缓病人病情。为减少人工诊断的时间和成本,采用机器学习方法来辅助人工诊断阿尔兹海默症,提出了一种利用3D核磁共振成像信号来诊断的迁移学习方法。该方法采用MobileNet迁移网络来提取瓶颈特征,并增加了一个有监督训练的顶层来进一步降维和提取特征,最后在分类层中将被试者所有切片的特征进行合并和训练,完成阿尔兹海默症与正常控制的分类。该方法的优点在于,可使网络的训练时间下降,提高分类准确率。实验采用了OASIS数据对该方法进行测试,结果表明,该方法的分类准确率比传统迁移学习网络提高了约8个百分点,而时间只有传统迁移方法的1/60。