基于3D-ResNet的阿尔兹海默症分类算法研究

计算机工程与科学

基于3D-ResNet的阿尔兹海默症分类算法研究

郁松，廖文浩

（中南大学计算机学院,湖南长沙 410075）

收稿日期:2019-12-17 修回日期:2020-02-22 出版日期:2020-06-25 发布日期:2020-06-25
基金资助:
湖南省自然科学基金（2018JJ2536）

An Alzheimer’s disease classification

algorithm based on 3D-ResNet

YU Song，LIAO Wen-hao

（School of Computer Science and Engineering,Central South University,Changsha 410075,China）

Received:2019-12-17 Revised:2020-02-22 Online:2020-06-25 Published:2020-06-25

摘要/Abstract

摘要：

阿尔兹海默症(AD)是一种不可逆的神经退行性大脑疾病，也是老年人群中最常见的痴呆症。人工分类阿尔兹海默症的核磁共振影像(MRI)存在分类延迟和分类耗时等问题。随着人口老龄化的日趋严重，准确而快速地分类出阿尔兹海默症患者具有重要的研究意义。将卷积神经网络(CNN)技术和核磁共振成像技术相结合，设计了一个3D-ResNet算法用于AD分类，在验证集上取得了98.39%的准确性、96.74%的敏感性和99.99%的特异性，在测试集上取得了97.43%的准确性、94.92%的敏感性和99.99%的特异性，每个患者的分类时间是0.23 s。此外，针对AD的发病机制尚不明确的问题，通过类激活映射(CAM)技术来可视化与AD相关的脑部区域。

关键词: 图像分类, 深度学习, 卷积神经网络, 阿尔兹海默症

Abstract:

Alzheimer’s disease (AD) is an irreversible neuro degenerative brain disease and the most common dementia in the elderly. Manual classification of Alzheimer
’s magnetic resonance image (MRI) has problems delay classification and time-consuming classification. As the aging population becomes more and more serious, accurately and quickly classify patients with AD has important research significance. This paper combines convolutional neural network (CNN) technology with MRI technology, and designs a 3D-ResNet model for AD classification, which achieves 98.39% accuracy, 96.74% sensitivity and 99.99% specificity on the validation set and achieves 97.43% accuracy, 94.92% sensitivity and 9999% specificity on the test set. The classification time of each patient is 0.23 s. In addition, for the problem that the pathogenesis of AD is not yet clear, this paper uses Class Activation Mapping (CAM) technology to visualize the AD-related brain regions.

Key words: image classification, deep learning, convolutional neural network, Alzheimer&rsquo, s disease

郁松，廖文浩. 基于3D-ResNet的阿尔兹海默症分类算法研究[J]. 计算机工程与科学.

YU Song，LIAO Wen-hao.

An Alzheimer’s disease classification

algorithm based on 3D-ResNet

[J]. Computer Engineering & Science.

[1]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[2]	田红鹏, 吴璟玮. RIB-NER：基于跨度的中文命名实体识别模型[J]. 计算机工程与科学, 2024, 46(07): 1311-1320.
[3]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(06): 1013-1021.
[4]	胡昭华, 王长富, . 改进Faster R-CNN的遥感图像小目标检测算法[J]. 计算机工程与科学, 2024, 46(06): 1063-1071.
[5]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(05): 801-809.
[6]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[7]	马长林, 孙状. 基于实体知识的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(05): 945-950.
[8]	陈杰, 李程, 刘仲. 面向多核向量加速器的卷积神经网络推理和训练向量化方法[J]. 计算机工程与科学, 2024, 46(04): 580-589.
[9]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[10]	曹浩东, 汪海涛, 贺建峰. 融合序列局部信息的日期感知序列推荐算法[J]. 计算机工程与科学, 2024, 46(04): 734-742.
[11]	罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(03): 463-470.
[12]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.
[13]	吉旭瑞, 魏德健, 张俊忠, 张帅, 曹慧. 中文电子病历信息提取方法研究综述[J]. 计算机工程与科学, 2024, 46(02): 325-337.
[14]	秦文强, 吴仲城, 张俊, 李芳, . 基于异构平台的卷积神经网络加速系统设计[J]. 计算机工程与科学, 2024, 46(01): 12-20.
[15]	黄泽彪, 董德尊, 齐星云. Gloo+：利用在网计算技术加速分布式深度学习训练[J]. 计算机工程与科学, 2024, 46(01): 28-36.