基于改进的3D CNN网络的阿尔茨海默病分类方法技术

本发明专利技术公开了一种基于改进的3D CNN网络的阿尔茨海默病分类方法，该方法基于3D核磁共振数据进行训练，实现精确的脑疾病分类。该方法主要包括如下步骤：1）使用3D CNN建模：使用3D CNN替换VGG网络中的2D CNN部分；2）优化模型结构：先在模型中添加批量归一化层，再引入跳跃连接；3）实验数据处理：预处理实验数据，并划分训练集和验证集；4）模型训练：将数据输入模型，训练网络参数，并保留最优模型；5）模型测试与评估：在测试集上测试，并评估分类性能。本发明专利技术首次提出了在3D VGG模型中引入多个跳跃连接用于阿尔兹海默症诊断，性能优于现有方法，具有通用性强、鲁棒性高等优点。

【技术实现步骤摘要】
基于改进的3DCNN网络的阿尔茨海默病分类方法
本专利技术涉及计算机医学图像分析领域，尤其涉及一种基于改进的3DCNN网络的阿尔茨海默病分类方法。
技术介绍
阿尔兹海默症（AD）是一种暂时无法治愈的神经退行性疾病，是老年痴呆症最常见的病例，其前期状态为轻度认知障碍（MCI），病情的不断恶化，直接影响到人的记忆和认知等能力。轻度认知障碍（MCI）是介于正常衰老和痴呆之间的一种中间状态，是一种认知障碍症候群。早在2011年的AD诊断标准和指南中，MCI病例被认为是AD的早期阶段。近年来，神经影像作为AD诊断的重要生物标志物被广泛应用。其中，磁共振成像是一种非侵入式、低成本的成像技术，可以清晰的描述人脑的三维解剖结构。因此，利用神经影像数据的特征，来区分正常被试（NC）、MCI和AD也成为热点话题。随着卷积神经网络（CNN）在计算机视觉领域的地位越来越重要，将其应用于医学影像的识别、分割等领域得到迅速发展。为了对全脑MRI进行全面分析，3DCNN具有良好的空间特征提取能力，可以更好的提取MRI的三维结构特征，学习通道之间的映射关系。因此，Ho本文档来自技高网...

【技术保护点】
1.一种基于改进的3D CNN网络的阿尔茨海默病分类方法，其特征在于，包括如下步骤：/n（1）使用3D CNN建模：首先构建包含六个模块的2D的VGG网络模型，再将其中的2D CNN部分替换为3D CNN，形成 3D VGG网络模型；/n（2）优化模型结构：在3D VGG网络模型的前五个模块的3D CNN层之后先添加批量归一化层，然后再添加跳跃连接，将前一个模块提取的数据特征经过1×1×1的卷积处理，并进行批量归一化后，与当前模块提取的数据特征相加，作为下一个模块的输入；/n（3）从阿尔兹海默症神经成像计划数据集选取核磁共振数据，并对数据进行预处理，再划分成训练集和测试集；/n（4）模型训练：...

【技术特征摘要】
20200724 CN 20201072440211.一种基于改进的3DCNN网络的阿尔茨海默病分类方法，其特征在于，包括如下步骤：
（1）使用3DCNN建模：首先构建包含六个模块的2D的VGG网络模型，再将其中的2DCNN部分替换为3DCNN，形成3DVGG网络模型；
（2）优化模型结构：在3DVGG网络模型的前五个模块的3DCNN层之后先添加批量归一化层，然后再添加跳跃连接，将前一个模块提取的数据特征经过1×1×1的卷积处理，并进行批量归一化后，与当前模块提取的数据特征相加，作为下一个模块的输入；
（3）从阿尔兹海默症神经成像计划数据集选取核磁共振数据，并对数据进行预处理，再划分成训练集和测试集；
（4）模型训练：将步骤（3）处理得到的训练集数据输入步骤（2）得到的模型，进行迭代，每次迭代后计算模型分类的准确率，并保留到当前迭代为止准确率最高的模型参数；达到设定的迭代次数后，输出模型参数；
（5）将待分类的测试集数据输入步骤（4）保存的最优网络模型中，得到对应的分类结果。


2.根据权利要求1所述的基于改进的3DCNN网络的阿尔茨海默病分类方法，其特征在于，所述的步骤（1）中，首先将2DCNN层替换为3DCNN层，再将2DMaxpooling层替换为3DMaxpooling层；最后，修改第六个模块，即分类层，添加3个维度分别为2048、1024、3的全连接层。


3.根据权利要...

【专利技术属性】
技术研发人员：胡众义，吴奇，肖磊，胡明哲，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33