【技术实现步骤摘要】
一种基于通道残差注意力的阿尔兹海默症分类方法
[0001]本专利技术设计了一种基于通道残差注意力的阿尔兹海默症的分类方法,涉及计算机视觉图像分类
。
技术介绍
[0002]阿尔兹海默症
(Alzheimer Disease,AD)
是一种常见的中枢神经系统退行性疾病,是导致痴呆症的最常见原因,特点是认知和记忆能力呈进行性恶化,严重影响患者的日常生活
。
根据相关研究,到
2050
年,大约
6.4
亿人将患上阿尔兹海默症
。
随着全球老龄化的日益严重,具有长期病程的阿尔兹海默症会逐渐成为健康领域的一个紧迫问题
。
磁共振成像
(MRI)
因能精确直观地显示脑部子结构
、
萎缩程度以及异常病变,图像分辨率高,成本较低而对阿尔兹海默症早期诊断
、
鉴别诊断和评估疾病进展至关重要
。
近年来,卷积神经网络
(Convolutional Neural Network
,
CNN)
因其有很强的自动特征提取能力,可以从复杂数据中挖掘出跟疾病相关的大量细节特征和病变位置,在计算机辅助认知疾病诊断方面显示出巨大的潜力
。
[0003]在深度学习时代,数据跟算法同样重要,深度学习模型需要大量的数据进行训练
。
目前多数研究都是从阿尔兹海默症公开数据库中直接提取一部分数据进行研究,然而数据的采集标准 ...
【技术保护点】
【技术特征摘要】
1.
一种基于通道残差注意力的阿尔兹海默症分类模型,其特征在于包括以下步骤:步骤一:基于公开的
ADNI
数据集,选择同时具有
MRI
图像
、
年龄
、
性别和认知测试量表数据的受试者构建数据集,并对数据集进行科学均衡划分;步骤二:对步骤一构建的
MRI
图像数据集进行预处理,得到经过配准,采样和归一化后的
MRI
图像;步骤三:将经预处理后
MRI
图像送入3×3×3卷积层提取浅层特征,后送入连续堆叠四层通道分离残差模块来提取并组合浅层和深层特征;步骤四:将提取的特征送入通道注意力模块,调整通道之间的权重,得到更加精确的分类特征;步骤五:将降维后的特征矩阵,作为整个网络线性分类层的输入信息
。2.
根据权利要求1中步骤一所述的科学均衡划分数据集,其特征在于在将从
ADNI
下载的数据样本,首先按照病人
ID
划分数据集,避免同一
ID
的不同时期纵向样本不会同时出现在训练集或者测试集中,并分别划分为
AD
,
MCI
和
CN
三类,每一类包含训练集和测试集;然后在临床医生的指导下,选取样本的年龄
、
性别和认知测试量表三种统计参数进行数据的均衡化处理,确保数据集能展现阿尔兹海默症普遍的患病过程与特点
。3.
根据权利要求1中步骤三所述的通道分离残差模块,其特征在保留残差模块能够在网络加深的过程中避免梯度爆炸与梯度消失的优点,并通过分离特征提取路径,充分组合低维与高维特征,提高网络学习能力;首先输入的特征图谱
x
,经过分离层后分为
x1和
x2两条特征提取路径,如公式
(1)
所示,其中
c
为通道数;然后
x1通过卷积层,归一化和激活函数,提取抽象的非线性高级特征,而
x2不做任何操作,保留低层特征;最后将两条...
【专利技术属性】
技术研发人员:何小海,王斌,卿粼波,陈洪刚,滕奇志,吴小强,
申请(专利权)人:四川大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。