一种基于轻量级残差网络的阿尔兹海默症分类方法

1.本发明涉及一种基于轻量级残差网络的阿尔兹海默症分类方法，涉及医学图像和人工智能领域。


背景技术：

2.阿尔兹海默症(ad)是一种退化性脑部疾病，是导致痴呆症的最常见原因，其特点是记忆力、语言和其他认知能力下降，影响一个人进行日常活动的能力。根据相关研究，到2050年，大约6.4亿人将患上阿尔兹海默症。随着全球老龄化的日益严重，具有长期病程的阿尔兹海默症会逐渐成为健康领域的一个紧迫问题。在阿尔兹海默症中，磁共振成像(mri)对于早期诊断、鉴别诊断和评估疾病进展至关重要，放射科医生可以通过结构mri扫描分析大脑变化以进一步分析阿尔兹海默症。近年来，卷积神经网络利用图像特征和空间上下文通过邻域信息生成特征层次，在计算机辅助认知疾病诊断方面显示出巨大的潜力。许多网络实现了对阿尔兹海默症和健康对照组的较高分类结果，但网络训练需要大量的计算参数和浮点运算。因此，在实现良好分类性能的同时还需要显著降低计算成本和运算量。


技术实现要素：

3.本发明为解决上述问题构建一种轻量级残差分类网络，在对mr图像分类效果提升的同时，网络模型的计算参数量大大减少，实现了对ad分类的轻量级网络的可行性。
4.本发明通过以下技术方案来实现上述目的：
5.(1)利用ghost模块对残差网络中的3
×
3卷积层进行替换。
6.(2)对残差网络的层数结构进行调整。
7.(3)通过构建的网络进行训练实现对mr图像的特征提取，实现分类决策。
附图说明
8.图1是本发明的ghost模块原理示意图。
9.图2是本发明的轻量级残差网络结构框图。
10.图3是本发明的可视化ghost模块提取的特征图。
具体实施方式
11.下面结合附图对本发明作进一步说明：
12.图1是ghost模块原理过程示意图，包括以下步骤：
13.本发明使用ghost模块嵌入到设计的残差网络结构中，通过用ghost模块替换残差网络中的所有二维卷积层来降低计算成本，这些参数具有相同大小的3
×
3线性核的线性核操作，用于有效低成本的卷积运算。ghost模块将原始卷积层分成两部分运作，首先通过普通卷积生成少量的内在特征映射，然后使用廉价的线性运算来增加特征和通道的数量。使用核大小为1的主卷积来生成m个内在特征映射可以用公式(1)表示：
14.y
′
＝x*f
′ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
15.f’∈r
chw
是所使用的过滤器和m≤n为了保持其输出特征地图的空间大小，如过滤器大小、步幅等超参数与原普通卷积中的参数相同。
16.对y'中的每个固有特征执行一系列廉价的线性操作，以生成s重影特征映射：
[0017][0018]
其中φ
i,j
是生成第j个特征映射y
ij
的第j个线性运算，y
′i是y'中的第i个固有特征映射，并且可以具有一个或多个特征映射通过使用公式(2)可以获得所需的n个特征映射y，其中n＝m
·
s以及y＝[y
11
,y
12
,...,y
ms
]。这种操作能有效地生成与普通卷积层具有相同数量的特征映射，大大减少了卷积过程中的计算量。
[0019]
图2是轻量级残差网络结构图，包括以下步骤：
[0020]
在设计的轻量级残差网络(residual network)结构中，输入的mr图像经过49层3
×
3卷积，以及一个完全连接的层作为最终输出，共计50层。其网络结构有3个大层，每个大层分别包含3、7、14个basic block。网络的线性分类器由完全连接层实现，输入为64维输出为2维，完成最后的分类决策。
[0021]
图3是可视化的ghost模块提取的特征图。
[0022]
在网络训练过程中，将oasis数据集的mr图像作为网络的输入，ghost模块在卷积神经网络中使用计算资源生成特征图方面更有效。在卷积层中作用以减少卷积的运算量的同时避免了特征冗余，从提取的特征图中展示了这一点。同时高效的线性运算也使得网络的训练参数大大减少，这为分类效果的提升起到了必要的作用。
[0023]
在测试过程中，其准确率是指分类正确的图像占验证集总图像数量的百分比，可评价模型对oasis数据集中ad和健康受试者mr图像分类的总体判别能力；表1为本发明的网络与其它几个网络对比结果，体现出本发明的方法对ad分类性能具有明显的优势。
[0024]
表1本发明方法与其他网络方法的分类性能对比
[0025][0026]
在网络训练中，许多卷积神经网络牺牲了计算量以换取更高的分类精度。从表2可以发现，本发明的网络的浮点运算次数(flops)和权重(weights)明显小于其他网络，在各种计算复杂性方面都优于其他网络。
[0027]
表2本发明方法与其他网络对比
[0028]


技术特征：
1.一种基于轻量级残差网络的阿尔兹海默症分类方法，其特征在于包括以下步骤：步骤一：利用ghost模块对残差网络中的3
×
3卷积层进行替换；步骤二：对嵌入ghost模块的残差网络层的结构进行调整；步骤三：mr图像经过构建的轻量级残差网络训练实现特征提取，再通过softmax归一化函数来决策所属类别。2.根据权利要求1步骤一所述ghost模块嵌入到残差网络(residual network)结构中；通过ghost模块替换残差网络中的所有二维3
×
3卷积层来降低计算成本，其中参数设置s＝2和d＝3，这使得其具有相同大小的3
×
3线性核卷积操作，以生成与原始普通卷积层相同数量的特征映射，同时实现了卷积过程中计算量的减少，ghost模块所需的参数总数和计算复杂度显著降低。3.根据权利要求1步骤二所述的将构建的残差网络结构进行调整；所设计的轻量级网络结构一共有49层3
×
3卷积和一个完全连接的层作为最终输出，共计50层，其中包含了3个主要大层，每个大层分别包含3、7、14个basic block，同时在每次卷积之后和激活之前使用批量标准化。4.根据权利要求1步骤三所述的通过softmax归一化函数来决策所属类别；网络的线性分类器由完全连接层实现，以完成分类决策，其输入为64维输出为2维，其中，softmax函数得到分类输出的概率，softmax函数的计算方法如下：式中，z
j
代表softmax的输入，k代表类别的数量。

技术总结
本发明公开了一种基于轻量级残差网络的阿尔兹海默症分类方法。包括以下步骤：首先，使用Ghost模块对残差网络中的3


技术研发人员：何小海 张雁腾 印彪 滕奇志 卿粼波 陈洪刚 吴小强
受保护的技术使用者：四川大学
技术研发日：2021.09.10
技术公布日：2023/3/14