一种基于迁移学习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迁移学习的阿尔茨海默病分类方法，步骤如下：获取阿尔茨海默病被试的磁共振脑部数据并进行MRI图像预处理；改进ResNet网络，以完成对阿尔茨海默病的检测分类；使用改进后的ResNet网络进行迁移学习和测试。本发明专利技术使用迁移学习避免了手动设置初始模型参数或使用随机初始化所带来的模型性能的不稳定，并且为模型自动地选取了一个梯度下降中较好的起始点，提升了模型的性能；本发明专利技术将已有的ResNet模型进行改进，向模型中增加注意力机制，并将模型中每个残差块最后的激活函数替换为Meta

【技术实现步骤摘要】
一种基于迁移学习的阿尔茨海默病分类方法


[0001]本专利技术涉及医学图像分类
，特别是一种基于迁移学习的阿尔茨海默病分类方法。

技术介绍

[0002]阿尔茨海默病是一种起病隐匿的进行性发展的慢性神经退行性疾病，病因迄今未明。轻度认知障碍(Mild Cognitive Impairment，MCI)是一种介于AD(Alzheimer
’
s disease)和正常老化(Control Normal，CN)之间的状态。研究表明MCI患者比没有患过MCI有更高的概率发展成AD。而MCI还可分为会转化为AD的cMCI(converted MCI)和MCInc(non
‑
converted MCI)如果能尽早识别出MCI患者中属于cMCI类型的患者，并且对其风险进行评估，则有希望能为预防和推迟AD发生提供最佳治疗时间。
[0003]传统的阿尔茨海默病分类大多基于机器学习方法。首先通过人工方式确定ROI(Region of Interest)，然后在确定好的ROI上提取特征并送入分类器中进行分类。该类传统方法存在特征需要人工提取和因而带来的分类结果的不稳定性等问题。
[0004]若将MRI三维图像直接作为模型的输入，由于模型需要在三个维度上进行卷积运算，这导致其模型的计算复杂度和参数量提高，这不仅增加了对算力和内存提出了更高的要求，并且有可能导致过拟合。
[0005]在模型参数的初始化上，目前多采用随机初始化或手动设置的方法，对模型性能有着较大的影响，且会导致模型的不稳定。
[0006]目前的模型大多都在AD vs.CN，AD vs.MCI，CN vs.MCI的二分类任务上表现较好，而在cMCI/ncMCI上性能急剧下降。

技术实现思路

[0007]专利技术目的：本专利技术的目的是提供一种基于迁移学习的阿尔茨海默病分类方法，从而避免了手动设置初始模型参数或使用随机初始化所带来的模型性能的不稳定，降低了模型的随机性，提升了模型的稳定性和性能。
[0008]技术方案：本专利技术所述的一种基于迁移学习的阿尔茨海默病分类方法，包括以下步骤：
[0009](1)获取阿尔茨海默病被试的磁共振脑部数据并进行MRI图像预处理，构建阿尔茨海默MRI数据集；被试的磁共振脑部数据的来源于三类患者，分别为阿尔茨海默病患者(AD)、轻度认知障碍患者(MCI)和正常患者(CN)。
[0010](1.1)对磁共振图像数据进行数据预处理，并切片为2D图像。
[0011](1.1.1)AC
‑
PC(Anterior Commissure，AC前连合；Posterior Commissure，PC后连合)原点校正，目的是使所有成像数据具有相同的参考系统，从而使分析更加准确。
[0012](1.1.2)颅骨剥离和图像分割：将图像中的颅骨、颈骨等非脑结构移除，将脑部图像分割为脑灰质、脑白质、脑脊液图像。
[0013](1.1.3)配准：将图像标准化到蒙特利尔神经病学研究所(Montreal Neurological Institute，MNI)标准模板。
[0014](1.1.4)归一化：将图像的灰度值调整到一个统一的范围，将每个sMRI图像的体素值被归一化到0到1之间，以便于后续的处理和分析。
[0015](1.1.5)数据切片选择和划分：对MRI图像进行基于矢状面、冠状面和横断面3个方向的切片处理，预处理过的MRI图像在三个方向上的大小分别为113，137，113。
[0016](1.2)对于三类患者的磁共振图像成比例进行数据增强，使得数据平衡，然后按设定比例划分训练集、测试集；
[0017](1.3)根据MCI是否在三年内转变为AD将MCI分为cMCI和ncMCI两类，并将这两类患者的磁共振图像进行数据增强，使得数据平衡；
[0018]步骤(1.2)和(1.3)中所述的数据增强方法具体为：将每类数据的数量按照两类数据量比值的倒数进行数据增强。例如，在AD vs.CN的分类任务中，AD有200例，CN有228例，CN数据为AD数据的1.15倍，则将CN按照预设数量进行数据增强，AD按照1.15倍的预设数量进行数据增强。
[0019](2)改进ResNet网络，以完成对阿尔茨海默病的检测分类。
[0020](2.1)ResNet网络模型使用18层的残差网络，通过在模型的每层块中嵌入压缩与激励模型，即SE模块来将注意力机制加入模型中；改进后的ResNet基础块变为：整个网络由一个输入层、八个上述经过改进的ResNet基础块、一个输出层构成；八个基础块的3
×
3卷积层的通道数分别为64、64、128、128、256、256、512、512；所述特征压缩操作采用全局池化，将大小为C
×
H
×
W的输入转换为C
×1×
1的输出。
[0021][0022](2.2)使用Meta
‑
Acon替换网络的每个基础块中3
×
3卷积后的ReLU激活层，增强了模型性能，同时避免了参数量过大和可能存在过拟合的问题。
[0023]Meta
‑
Acon(x)＝S
β
(p1x，p2x)＝(p1‑
p2)xσ[β(p1‑
p2)x]+p2*x#(2)
[0024]其中，p1、p2为可学习的参数，β的计算公式为：
[0025][0026]其中，x为输入，σ表示Sigmoid激活函数。
[0027](3)使用改进后的ResNet网络进行迁移学习和测试。
[0028]迁移学习是一种机器学习方法，它通过将一个已经训练好的模型的知识迁移到一个新的任务或领域中，来加速和提高新任务的学习效果。在迁移学习中，通常会利用已经训练好的模型的参数或者中间特征表示，作为新任务的初始化或者特征提取器，然后在新数据集上进行微调或者重新训练，以适应新任务的需求。
[0029]图1是本专利技术所使用的迁移学习的示意图。考虑到本专利技术中的目标任务为cMCI vs.ncMCI的二分类任务，将AD vs.CN，AD vs.MCI，CN vs.MCI三个二分类任务做为源任务。
将在源任务上训练出的模型参数作为学习到的知识迁移到目标任务上，然后冻结除了全连接层外的所有层的参数，使用该预训练后的模型在目标任务上进行进一步的学习。
[0030]ResNet是一种深度学习网络模型，其通过更深的网络层数，实现了相比传统的CNN具备很强的特征提取能力，有效减缓了梯度消失的问题，实现对AD的有效检测。同时，网络深度适中，不至于使得网络过于冗杂从而造成过大的计算压力。其核心部分是如图2所示的残差块，其通过短接在线性转换和非线性转换之间寻求一个平衡，解决了在深层网络中会出现的退化问题。
[0031]SENet(Squeeze
‑
and
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的阿尔茨海默病分类方法，其特征在于，包括以下步骤：(1)获取阿尔茨海默病被试的磁共振脑部数据并进行MRI图像预处理，构建阿尔茨海默MRI数据集；被试的磁共振脑部数据的来源于三类患者，分别为阿尔茨海默病患者，即AD，轻度认知障碍患者，即MCI，还有正常患者，即CN；(1.1)对磁共振图像数据进行数据预处理，并切片为2D图像；(1.2)对于三类患者的磁共振图像成比例进行数据增强，使得数据平衡，然后按设定比例划分训练集、测试集；(1.3)根据MCI是否在三年内转变为AD将MCI分为cMCI和ncMCI两类，并将这两类患者的磁共振图像进行数据增强，使得数据平衡；(2)改进ResNet网络，以完成对阿尔茨海默病的检测分类；(2.1)ResNet网络模型使用18层的残差网络，通过在模型的每层块中嵌入压缩与激励模型，即SE模块来将注意力机制加入模型中；改进后的ResNet基础块变为：整个网络由一个输入层、八个上述经过改进的ResNet基础块、一个输出层构成；八个基础块的3
×
3卷积层的通道数分别为64、64、128、128、256、256、512、512；所述特征压缩操作采用全局池化，将大小为C
×
H
×
W的输入转换为C
×1×
1的输出；(2.2)使用Meta
‑
Acon替换网络的每个基础块中3
×
3卷积后的ReLU激活层；Meta
‑
Acon(x)＝S
β
(p1x，p2x)＝(p1‑
p2)xσ[β(p1‑
p2)x]+p2*x(2)其中，p1、p2为可学习的参数，β的计算公式为：其中，x为输入，σ表示Sigmoid激活函数。(3)使用改进后的ResNet网络进行迁移学习和测试。2.根据权利要求1所述的一种基于迁移学习的阿尔茨海默病分类方法，其特征在于，步骤(1.1)具体为：(1.1.1)AC
‑
PC原点校正，使所有成像数据具有相同的参考系统；(1.1.2)颅骨剥离和图像分割：将图像中的非脑结构移除，将脑部图像分割为脑灰质、脑白质、脑脊液图像；(1.1.3)配准：将图像标准化到蒙特利尔神经病学研究所标...

【专利技术属性】
技术研发人员：田青，王芮卿，刘云龙，王熙原，陈润怡，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：