59、基于MRI的阿尔茨海默病自动分类方法研究

基于MRI的阿尔茨海默病自动分类方法研究

1. 提出的方法

在这部分，将详细介绍所提出的方法和目标，并描述所使用的数据集。

1.1 3D CNN架构：基本组成

卷积神经网络通常由四部分组成：
- 卷积层（Convolution）
- 激活函数（ReLU）
- 池化层
- 全连接层（fully connected layer）

输入图片首先通过卷积核进行特征提取，然后池化层通过抽样获取特征图。最后，全连接层将所有特征组合起来，计算每个类别的输出得分，将输入映射到输出以获得最终分类结果。CNN中的神经元是3D滤波器，根据输入激活，仅连接到前一个神经元激活的小区域（感受野）。网络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假设输入是图像（宽度、高度、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，架构可以提取更多数量和更复杂的特征图。

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。虽然CNN常用于二维图像，但实际上大多数图像由红、绿、蓝颜色强度的二维映射组成，这就产生了第三维深度（通道）。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，卷积层会增加深度，因为会有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，较高层可以区分人类、面部、动物等抽象概念，因此神经元更多。

在实际应用中，由于图像以批量形式通过网络传输，批量大小形成了第四维，这些多维对象称为张量。卷积层计算在图像的空间（宽度和高度）