首先利用3D CNN 对MRI进行分类操作
数据 :AD:73例 CN:102例 MRI-T1像
T1像便于显示解剖结构(T2像擅长显示病灶)
预处理:去除脑外(参数0.3)
网络结构: 共10层,包含
4个卷积层
4个池化层
2个全连接层
分类结果 :
CNN AUC : 0.8605542452830188
CNN ACC : 0.8613861386138614
CNN Recall : 0.8773584905660378
CNN Precesion : 0.8611111111111112
CNN F1-score: 0.869158878504673
AUC:ROC曲线下的面积
ACC:分类精度
Recall:查全率(召回率)--在所有真正的病例中,有多少被检测出来
Precesion:查准率--检测出患病的病例中,有多少是真正的病例
查全率和查准率一般不能同时兼顾,一个高了另一个就会低
F1-score:F1分数 查全率与查准率的调和平均数,可以作为一个最终的评价指标
ROC曲线:
验证方法 :
10折交叉验证
(取10个结构相同的模型,各自单独训练,得到相互独立的10个分类结果,再将10个结果平均起来作为最终的分类结果)
即:模型一样,每次用来训练的数据不一样
作用:评价分类器的性能,保证模型对数据集中的各部分的数据都是有效的
接下来处理fMRI中的时间序列信息
利用LSTM(一种RNN的变体)
RNN的作用是可以在当前的任务上利用到先前的信息,适合用来处理时间序列
RNN的缺点是只能记住与某时刻时间点位置相邻的信息,而更早的信息会很快"忘记"
为了解决这个问题,人们提出了"LSTM"(Long and Short Term Memory),它的优点是增加了记忆单元,
能够记住更早时刻的信息.
做法:将RNN和1D卷积结合起来用于处理从fMRI中提取出来的时间序列。
数据 :fMRI 数据 AD:73例 CN:102例 (resting-state-fMRI)
提取RO I:
使用与AD相关的脑区的时间序列
将额叶,顶叶,颞叶,扣带回和海马的序列保留
(AD病人的fMRI代谢发生改变,相关脑区代谢降低,保留这部分脑区的时间序列,小脑和枕叶代谢代偿性增高,不保留)
把每个时间点上包含的特征用CNN提取出来,然后利用LSTM整合各个时间点提取到的特征,最后融合所有特征得到一个输出.
整个网络是一个"多对一"的结构,输入各个时间点上的特征信息,输出分类结果
整体目标:将CNN与RNN结合起来,同时利用MRI和fMRI的数据以实现提高分类精度的目的