[发明专利]一种基于深度可分离卷积的阿尔兹海默病分类方法

摘要

本发明公开了一种基于深度可分离卷积的阿尔兹海默病分类方法，包括如下步骤：1）构建CNN网络模型；2）构建深度可分离卷积神经网络；3）对MRI图像进行预处理；4）对预处理后的MRI图像进行训练和测试；5）输出分类结果。这种方法能对传统的标准卷积神经网络分类阿尔兹海默病的过程进行优化，能减少分类模型的参数和计算成本，能解决阿尔兹海默病的分类应用到计算资源和内存资源有限的嵌入式设备上计算量大的问题。

主权项

1.一种基于深度可分离卷积的阿尔兹海默病分类方法，其特征在于，包括如下步骤：1)构建CNN网络模型：以标准卷积神经网络为基础，将待预测的阿尔兹海默病的MRI图像作为CNN网络模型的输入，所述的标准卷积神经网络包括H个标准卷积层，每一个标准卷积层完成特征提取的操作，特征提取包括如下步骤：(1)先用卷积核提取特征；(2)对卷积后的特征映射进行批量标准化；(3)标准卷积层中的整流线型单元激活函数被应用于每一个卷积操作，它使得网络中的神经元具有稀疏激活性；(4)每一个卷积层后面连接的一个最大池化层通过池化操作来降低卷积层输出的特征向量的维度；在标准卷积神经网络的分类模块中，先将特征映射展平为特征向量，然后使用K个完全连接层将特征向量密集化，最后用softmax函数输出预测概率,softmax函数的公式为公式(1)：其中，V是一个数组，共有j个元素，Vi是V中的第i的元素，Si是第i个元素的输出概率；2)构建深度可分离卷积神经网络：用深度可分离卷积替代步骤1)中CNN网络模型的标准卷积，所述深度可分离卷积包括深度卷积和点卷积两个模块，构建深度可分离卷积神经网络；3)对MRI图像进行预处理：对多种类别的MRI图像进行预处理，并将预处理后的数据分为训练数据和测试数据；4)对预处理后的MRI图像进行训练和测试：将步骤3)预处理后的MRI图像作为步骤2)建立的深度可分离卷积神经网络的输入，对深度可分离卷积神经网络进行训练和测试，迭代到5000次，完成训练，得到训练好的深度可分离卷积神经网络模型；5)输出分类结果：将预处理后的已知类别的MRI图像输入到训练好的深度可分离卷积神经网络模型，深度可分离卷积神经网络的分类层输出L个概率值，保留最大的概率值，最大概率值对应的分类标签即是分类结果。