论文总字数：30962字

摘 要

阿尔茨海默病(Alzheimer's Diseases, AD)已成为当今社会越来越困扰人们的一种疾病，因此早期诊断和预警显得尤为重要。目前阿尔茨海默病临床诊断主要依据患者的病史以及临床症状表现，基于医生的经验进行定性分析和合理推测，具有很强的主观性，缺少可靠和客观的定量依据，很难实现早期检测、诊断。近年来，多种成像技术相继问世，尤其是磁共振成像（MRI），可用于显示脑解剖结构、评价脑功能和代谢。然而如何对脑影像获得的信息数据进行定量分析，以便于AD科学研究和临床应用，这已成为生命与信息科学共同面临的一个根本挑战。

本论文主要基于近几年发展起来的深度学习理论和方法，深入研究MRI脑图像分析的阿尔茨海默病诊断技术，建立计算机脑疾病辅助诊断模型，进一步提高疾病诊断准确率。论文首先对MRI脑图像使用Demons算法进行配准；其次，提出了基于自编码器（Autoencoder）构造深度学习网络，对MRI脑图像进行特征学习和分类，并对MRI图像进行降2、降3和降4的处理，训练和组合多尺度自编码器网络模型；然后，构建深度卷积神经网络（CNN）模型，对MRI图像进行多级分层特征学习和分类；最后，提出了基于全连接层的多种深度特征融合分类的方法。上述研究方法基于美国ADNI(阿尔茨海默氏病影像学倡议)公开数据库进行实验验证，对阿尔茨海默病分类准确率达到了88.31%，取得了较好的识别效果。

关键词: 阿尔茨海默症，图像配准，自编码器，卷积神经网络，特征融合

Abstract

Alzheimer's disease has become a disease that is increasingly troubling today's society, so for the disease, early diagnosis and early warning is particularly important. At present, the clinical diagnosis of Alzheimer's disease is mainly based on the patient's history and clinical symptoms, also relied on the experience of doctors’ qualitative analysis and reasonable speculation, with a strong subjectivity. Because the lack of reliable and objective quantitative basis, it is difficult to achieve early detection and diagnosis. In recent years, a variety of imaging techniques have come out, especially magnetic resonance imaging (MRI), can be used to show the brain anatomy, evaluation of brain function and metabolism. However, how to quantify the information data obtained from brain images, which has become a fundamental challenge for the life and information science.

This paper deeply studies the diagnosis of Alzheimer's disease in MRI brain image analysis, and establishes the diagnostic model of deep learning to further improve the accuracy of disease diagnosis. In this paper, firstly, the Demons algorithm is used to register the MRI brain image. Secondly, an automatic learning network based on autoencoder is proposed to study and classify the MRI brain images, and the data are downsampled by 2, 3 and 4, the model was trained respectively, then combines the single model. Thirdly use the Convolution Neural Network classification algorithm for multi-level hierarchical feature learning and classification, Finally, two methods of feature fusion classification are proposed, which are the integration of the predict score of the model and the combination of full-connected layer feature. The above research method is based on the American ADNI (Alzheimer's Disease Imaging Initiative) public database to verify the accuracy of Alzheimer's disease classification rate of 88.31%, and achieve a good recognition result.

KEY WORDS: Alzheimer's disease, image registration, autoencoder, convolution neural network, feature fusion

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1研究背景 1

1.1.1 阿尔茨海默症 1

1.1.2医学影像诊断方法 1

1.3.课题研究意义 3

1.4.本文主要研究内容 3

1.5 论文结构安排 4

第二章 MRI脑图像配准 5

2.1数据来源 5

2.2 医学图像配准的概念 5

2.3 Demons原理 5

2.4实验结果与分析 6

2.4 本章小结 9

第三章 基于Autoencoder的MRI脑图像特征提取及分类 10

3.1 交叉验证算法 10

3.2 Autoencoder自编码器原理 10

3.3 构建Autoencoder网络 11

3.4 实验结果与分析 13

3.5 多尺度Autoencoder特征融合 17

3.6 本章小结 17

第四章 基于CNN的MRI脑图像特征提取及分类 18

4.1 CNN卷积神经网络原理 18

4.1.1 卷积神经网络的结构 18

4.1.2卷积神经网络的参数 19

4.2 构建深度CNN网络 19

4.3 实验结果及分析 20

4.4 本章小结 23

第五章 多种深度学习特征融合分类 24

5.1 单个网络结果比较 24

5.2 Predict Score相结合 25

5.2.1 Predict Score原理 25

5.2.2 实验结果与分析 26

5.3 全连接层特征融合 28

5.3.1全连接层特征融合算法原理 28

5.3.2 实验结果与分析 28

5.4本章小结 29

第六章 结论 30

6.1.总结 30

6.2.展望 30

参考文献 31

附 录 33

致 谢 34

第一章 绪论

1.1研究背景

1.1.1 阿尔茨海默症

随着社会的发展，越来越多的人随着年龄的增长，大脑的机能会有不同程度的衰退，其中最具典型性的病症就是阿尔茨海默症，通常表现为，智力减退，行为异常，情绪不稳定，导致日常生活不能自理。在中国，阿尔茨海默症患者快速增长，由于人们对该疾病的认识较少，通常会导致患者错过了最佳的治疗时间。这对于个人，家庭，社会都是一个沉重的负担。

剩余内容已隐藏，请支付后下载全文，论文总字数：30962字