Yifei

Liu, Junxiu, Li, Mingxing, Luo, Yuling, Yang, Su ORCID: https://orcid.org/0000-0002-6618-7483, Li, Wei and Bi, Yifei (2021) Alzheimer's disease detect

摘要：为了诊断阿尔茨海默病 (AD)，人们采用了磁共振成像等神经成像方法。深度学习 (DL) 在计算机视觉方面的最新进展进一步激发了对机器学习算法的研究。然而，这些算法的一些局限性，例如需要大量的训练图像和强大的计算机，仍然阻碍了基于机器学习的 AD 诊断的广泛使用。此外，大量的训练参数和繁重的计算使得 DL 系统难以与移动嵌入式设备（例如手机）集成。对于使用 DL 进行 AD 检测，目前大多数研究仅侧重于提高分类性能，而很少有研究获得更紧凑、复杂度更低、识别准确率相对较高的模型。为了解决这个问题并提高 DL 算法的效率，本文提出了一种用于 AD 分类的深度可分离卷积神经网络模型。本文使用深度可分离卷积 (DSC) 来代替传统的卷积。与传统神经网络相比，所提出的神经网络的参数和计算成本大大降低。与传统神经网络相比，所提出的神经网络的参数和计算成本显著降低。由于其低功耗，所提出的模型特别适合嵌入移动设备。实验结果表明，基于 OASIS 磁共振成像数据集的 DSC 算法在 AD 检测方面非常成功。此外，本文还采用了迁移学习来提高模型性能。使用两个训练有素的复杂网络模型 AlexNet 和 GoogLeNet 进行迁移学习，平均分类率分别为 91.40%、93.02%，功耗更低。