59、基于MRI的阿尔茨海默病自动分类方法

基于MRI的阿尔茨海默病自动分类方法

1. 提出的方法

本部分将详细介绍所提出的方法以及目标，并对使用的数据集加以描述。

1.1 3D CNN架构：基本组成

卷积神经网络通常由四部分构成：
1. 卷积层（Convolution） ：对输入图像进行特征提取。
2. 激活函数（ReLU） ：引入非线性因素。
3. 池化层（Pooling） ：通过抽样获取特征图。
4. 全连接层（Fully connected layer） ：将所有特征组合起来，计算每个类别的输出得分，实现输入到输出的映射，得到最终分类结果。

CNN中的神经元是3D滤波器，根据输入激活，且仅与前一层神经元激活的小区域（感受野）相连。网络会计算连接输入与其内部参数之间的卷积运算，并根据输出和非线性函数激活。与人工神经网络（ANNs）相比，CNN假设输入为图像（具有宽度、高度和通道），能将MRI图像的某些属性编码到其架构中，在不同位置提取特定特征时神经元会激活。通过堆叠层并对输出进行下采样，架构能提取更多、更复杂的特征图。

1.2 卷积层

卷积层处理三维对象，与之前介绍的一维层不同。实际上，大多数图像由红、绿、蓝三种颜色的二维强度图组成，这就形成了第三维深度（通道），另外两个维度是宽度和高度。对于彩色图像，深度通常为3；对于黑白图像，深度为1。随着网络加深，卷积层的深度会增加，因为会出现更多有趣的抽象特征。较低层识别边缘、颜色、斑点等低级特征，较高层则能区分人类、面