基于Faster_RCNN算法的阿尔兹海默症分类研究_王宇春.pdf

图2Desend Faster RCNN检测框架*黑龙江省省属高等学校基本科研业务费项目（2020-KYYWF-0237）；黑龙江省省属高等学校基本科研业务费项目（2019-KYYWF-1384）；黑龙江省卫生健康委立项科研课题（2019-287）；佳木斯大学优秀学科团队项目（JDXKTD-2019008）；佳木斯大学教育教学改革研究项目（2021JY1-49）阿尔兹海默症（Alzheimers Disease，AD）是一种常发病于老年人群体的痴呆症状，也称老年痴呆症，其患者通常具有记忆力丧失和语言障碍等症状。随着神经影像学的发展，核磁共振成像（Magnetic Resonance Imaging，MRI）广泛应用于临床阿尔兹海默症的诊断，具有高清晰度、高准确度、全方位成像等优势，为阿尔兹海默症诊断提供有效信息。目前，国内外已有大量研究者利用卷深度神经网络实现核磁共振图像的阿尔兹海默症诊断。文献1提出使用卷积神经网络提取MRI图像中的特征，再使用SVM进行二分类，验证了包含海马体的相关MRI切片识别率更高；文献2提出使用改进的VGG-16网络结构提取MRI图像特征，实现AD与正常受试者（Normal Control，NC）二分类研究；文献3使用改进的Alexnet网络框架，对卷积神经网络进行改进，从而进行分类诊断；文献4提出一种使用卷积神经网络对磁共振脑图像的海马体区域进行特征提取从而实现阿尔兹海默症识别的方法。本文主要研究使 用FasterRCNN网络结构实现阿尔兹海默症的自动诊断。由于阿尔兹海默症会导致患者海马体区域出现萎缩，患者的脑部与正常人的脑部有视觉上的区别，如图1所示，因此可以使用Faster RCNN网络对MRI进行自动识别。本文提出了一种改进的Faster RCNN目标分类网络，对MRI中的海马体区域进行阿尔兹海默症的计算机诊断方法。1基于Faster RCNN的海马体区域检测方法本文基于Faster RCNN网络提出了一种密集连接多尺度特征融合的海马体区域目标检测框架（Densed Faster RCNN，DFRCNN），实现了阿尔兹海默症与正常患者的二分类研究。算法框架如图2所示，该框架由特征提取网络、区域建议网络、目标分类与回归三部分组成。在特征提取网络中提出了多尺度特征融合的方法，如图2中A框所示，引入了密集连接特征金字基于 Faster RCNN 算法的阿尔兹海默症分类研究*王宇春郭浩王波刘晓敏赵化启（佳木斯大学信息电子技术学院，黑龙江 佳木斯154007）Classification of Alzheimers Disease Based on Faster RCNN Algorithm摘要：针对阿尔兹海默症通常会导致海马体区域萎缩的现象，提出一种应用于磁共振图像海马体区域的Faster RCNN目标分类框架。该框架首先使用密集连接的特征金字塔网络提取多尺度特征，然后通过CURE聚类算法优化锚框尺寸，最后调整非极大值抑制算法阈值提高模型的分类精度。测试数据来自ADNI数据库中210位阿尔兹海默症患者和208位正常受试者的脑部磁共振图像。实验结果表明，利用Faster RCNN算法在阿尔兹海默症患者和正常受试者数据集上获得的分类准确率为96.90%，与现有的算法相比，提出的Faster RCNN算法的分类准确率得到显著提升。关键词：磁共振图像；多尺度特征；聚类算法；阿尔兹海默症；密集连接Abstract:Aiming at the phenomenon that Alzheimers disease usually leads to hippocampal atrophy,a fast RCNN targetclassification framework applied to the hippocampal region of magnetic resonance images is proposed ih this paper.In thisframework,firstly,multi-scale features are extracted by densely connected feature pyramid network,then the anchor framesize is optimized by cure clustering algorithm,and finally the threshold of non maximum suppression algorithm is adjustedto improve the classification accuracy of the model.The test data were obtained from the brain MRI images of 210 patientsand 208 normal subjects in the ADNI database.The experimental results show that the classification accuracy of the fastRCNN algorithm in Alzheimers patients and normal subjects is 96.90%.Compared with the existing algorithms,the classifi-cation accuracy of the fast RCNN algorithm proposed in this paper has been significantly improved.Keywords:magnetic resonance imaging,multiscale feature,clustering algorithm,Alzheimers disease,dense connection图1左侧为AD患者的海马体区域，右侧为正常患者的海马体区域基于Faster RCNN算法的阿尔兹海默症分类研究102工业控制计算机2023年第36卷第1期塔网络（Densed Feature Pyramid Networks，DFPN）提取多尺度特征。相较于特征提取网络生成单一尺度特征图，特征金字塔网络5可以通过上采样和横向连接得到不同尺度的特征图，同时将不同尺度的特征图融合输出，有效提升对多尺度目标的检测性能；在区域建议网络中提出了优化锚框尺寸的方法，如图2中B框所示，使用CURE聚类对数据集中的检测目标进行分类，得到符合目标尺寸大小的锚框；在区域建议网络中提出了优化阈值的方法，如图2中C框所示，使用不同的非极大值抑制算法阈值得到不同的目标检测精度，选择其中的最优阈值；最后通过目标分类与回归得到目标类别。1.1特征提取网络本文使用的特征提取网络为残差网络6（ResNet50）。为了提升对小目标、多尺度目标的检测性能，本文提出了密集连接的特征金字塔网络。图3显示了残差结构与残差结构+密集连接特征金字塔结构的差异。从图3可以看出，不同于残差网络只生成单一尺度的特征图，DFPN可以生成不同尺度的特征图P2、P3、P4、P5等，其中，浅层特征图P2负责检测小目标，深层特征图P5负责检测大目标。采用了密集连接的方式将不同尺度的特征图上采样到相同尺寸，然后密集连接起来，这样聚合了特征金字塔中不同尺度的特征。例如在生成P3时，FPN将P4上采样，然后和卷积层融合得到P3；DFPN将P4、P5上采样，然后和卷积层融合得到P3。DFPN使每一层的特征图都聚合了所有深层特征图的特征，不同种类的特征组合有利于更好地检测不同尺度的目标。图3残差网络与DFPN网络结构1.2优化锚框尺寸在基于卷积神经网络的目标检测中，锚框通常是根据检测目标尺寸需求设计的一组检测框，用来作为目标分类与边框回归的基准。生成锚框时，往往会依据先验知识而非目标真实尺寸需求而设定锚框的宽高，而对于MRI图像的检测目标来说，目标的真实尺寸通常不固定且有较大差异。基于以上问题，本文采用CURE聚类的方法对输入数据预处理，得到符合目标尺寸大小的候选框尺寸。相较于文献78使用的K-means聚类算法，CURE算法对任意分布以及离群点较多的数据均具有很好的聚类性能。CURE算法相较于K-means算法对离群点具有更好的聚类效果。1.3调整非极大值抑制算法阈值目标检测模型在标定目标准确位置时，同一个目标往往会输出多个置信度较高的疑似目标检测边框，为了准确去除重复的检测伪边框，本文提出了调整非极大值抑制算法阈值以寻找最优阈值的方法，从而实现对目标的精准检测。本文通过对非极大值抑制算法阈值重新设置，找到其最优阈值。在相同实验条件下比较阈值为0.3、0.4、0.5、0.6时的检测准确率，实验结果如图4所示，当阈值为0.5时，本文算法框架对阿尔兹海默症分类效果最好。图4不同阈值下算法准确率2分析与讨论2.1实验环境和数据集介绍本文实验环境为Windows10、Python3.8、Pytroch1.5、CU-DA11；硬件配置为GPU 1080Ti，显存8G，i7处理器，内存16 GB。本文使用的MRI数据来自ADNI（Alzheimers DiseaseNeuroimaging Initiative）数据库。该数据库公开提供一系列测试用例的MRI，生物标记以及诊断信息，为研究人员提供一整套标准的研究数据，用于研究阿尔兹海默症的发病过程。本文使用的数据来自ADNI-1标准库中418例测试对象的1.5T MRI图像，其中包含210位阿尔兹海默症患者，208位正常人，每个类别的男女比例大致相等。图片尺寸为192192160和256256166两种，均选择T1信号下的NIFTI格式数据，详细参数如表1所示：表1测试对象详细参数实验过程中，将MRI图像分解为一系列切片数据，再提取一定的索引切片用于模型训练和测试。从第三个维度的索引为75，108中选取20张MRI切片数据用于实验，这些切片中包含了海马体区域。实验结果分别从分类精度、分类敏感度、分类特异度三个方面评估。2.2实验结果对比本文实验分为三组，第一组使用DFPN、FPN以及不使用FPN的特征提取网络比较阿尔兹海默症识别分类性能；第二组在区域建议网络中使用三种不同方式得到的锚框尺寸，检测不同锚框尺寸对模型分类精度的影响；第三组将本文方法和其它经典方法在ADNI数据集上进行测试评估，比较算法对阿尔兹海默症的分类性能。2.2.1不同特征提取网络分类性能比较针对海马体区域小目标检测分类，本文提出了一种密集连接特征金字塔网络。表2统计了使用不同特征提取网络的DFRCNN框架在数据集ADNI上的分类结果。VGG-16网络和ResNet50网络结构相比其它网络较为简单，只生成单一尺度的特征图，所以该网络的分类准确率最低；ResNet50+FPN相较于ResNet50结构增加了FPN结构，能够生成多尺度特征图，对小目标分类精度大幅提 升；ResNet50+DFPN网络 结构 相比于ResNet50+FPN增加了密集连接模块，在平均检测时间基本不变的基础上目标分类精度大幅提升。从表2中可以看出，使用103（上接第101页）机制，在实验中采用相关性损失函数，在公共数据集基础上构造的子数据集上，对比其他模型架构，验证了本文提出的模型架构的有效性。该模型框架不仅定位精度上得到了一定的提升，也满足了实时性的要求，对基于深度学习的人体行为识别与定位应用有一定的价值。参考文献1BOKHARI S M,SOHAIB S,KHAN A R,et al.DGRU BasedHuman Activity Recognition Using Channel State InformationJ.Measurement,2021,167:108245.1-108245.102BEUTELA,FALOUTSOSC.UserBehaviorModelingandFraud DetectionJ.Intelligent Systems.2016,31(2):84-863HOCHREITER S,SCHMIDHUBER J.Long Short-Term Memo-ryJ.Neural Computation,1997,9(8):1735-17804TRAN D,BOURDEV L,FERGUS R,et al.Learning Spatiotem-poral Features with 3D Convolutional Networks CIEEE In-ternational Conference on Computer Vision,2015:44975FEICHTENHOFERC,PINZA,WILDESR.SpatiotemporalResidual Networks for Video Action Recognition J.IEEE,20176HARA K,KATAOKA H,SATOH Y.Can Spatiotemporal 3DCNNs Retrace the History of 2D CNNs and ImageNet CComputer Vision and Pattern Recognition.IEEE,20187TRAN D,BOURDEV L,FERGUS R,et al.Learning Spatiotem-poral Features with 3D Convolutional Networks CIEEE In-ternational Conference on Computer Vision,20158LPELICAN,ELENA,LITA,et al.A low-rank tensor-based al-gorithm for face recognition J.Applied mathematical mod-elling,20159OKPKL,WEI X,RIGOLL G.You Only Watch Once:A Unified CNN Architecture for Real-TimeSpatiotemporalAction LocalizationJ.arXiv:1911.06644,201910REDMON J,FARHADI A.YOLO9000:Better,Faster,StrongerC IEEEConferenceonComputerVision&PatternRecognition,2017:6517-652511J REDMON,A FARHADI.YOLO9000:better,faster,strongerC/Proceedings of the IEEE conference on computer vi-sion and pattern recognition,2017:7263-7271收稿日期：2022-07-16ResNet50+DFPN作为特征提取网络的DFRCNN框架在数据集上准确率达到了96.67%，敏感度达到了95.00%，特异度达到了98.74%，均优于其它类型的特征提取网络。表2不同特征提取网络下AD与NC的分类性能2.2.2改进锚框尺寸分类性能比较在保持其余参数不变的情况下，锚框尺寸的设置分为凭经验设置、利用K-means聚类结果设置和利用CURE聚类结果设置三种。按照文献7中的经验将目标面积设为32，32、64，64、128，128、256，256、512，512，宽高比为0.5，1，1.515种，这种方法不需要对输入数据进行预处理，但很容易造成因锚框尺寸和目标尺寸不对应，而产生误检和漏检的问题；使用K-means和CURE聚类的方法分别对输入数据进行预处理，得到两种不同的锚框尺寸。从表3可以看出锚框尺寸的设置通过CURE聚类，在算法准确率上得到了一定的提高。表3不同锚框尺寸下AD与NC的分类性能2.2.3不同算法下阿尔兹海默症分类性能对比本文算法框架如图2所示，首先通过本文算法构建目标检测分类器，然后使用分类器检测MRI图像类别。为比较本文算法与其它阿尔兹海默症分类算法的效果差异，将本文方法和其它经典方法在ADNI数据集上进行测试评估，分类准确率、敏感度、特异度如表4所示，本文算法与文献1SVM算法、文献3Alexnet网络、文献4CNN算法相比，分类准确率、敏感度、特异度均高于上述算法。3结束语本文针对阿尔兹海默症检测分类准确度低的问题，提出了一种应用于阿尔兹海默症分类的目标检测框架DFRCNN。该框架引入密集连接的特征金字塔网络作为特征提取网络，并利用CURE聚类方法和调整非极大值抑制算法阈值方法对本文算法进行优化。实验结果表明，相较于其它主流算法，本文算法对阿尔兹海默症有更高的分类准确度，为计算机辅助阿尔兹海默症诊断奠定了一定的基础。参考文献1SIQI LIU,SIDONG LIU,WEIDONG CAI,et al.MultimodalNeuroimaging Feature Learning for Multiclass Diagnosis ofAlzheimers DiseaseJ.IEEE Transactions on Biomedical En-gineering,2015,62(4):1132-11402YAN X,GUO J,LAN Y,et al.A biterm topic model for shorttextsC/International Conference on World Wide Web.ACM,2013:1445-14563ZHOU X,OUYANG J,LI X.Two time-efficient gibbs sam-pling inference algorithms for biterm topic model J.AppliedIntelligence,2018,48(3):730-7544林伟铭,高钦泉,杜民.卷积神经网络诊断阿尔兹海默症的方法J.计算机应用，2017，37（12）：3504-35085LIN T Y,DOLLAR P,GIRSHICK R,et al.Feature PyramidNetworks for Object Detection J.IEEE Computer Society,2017:936-9446HE K,ZHANG X,REN S,et al.Identity Mappings in DeepResidual Networks C/European Conference on ComputerVision.Springer International Publishing,2016:630-6457黄凤荣，李杨，郭兰申，等.基于Faster R-CNN的零件表面缺陷检测算法J.计算机辅助设计与图形学学报，2020，32（6）：883-8938闫贺，黄佳，李睿安，等.基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究J.电子与信息学报，2021，43（3）：615-622收稿日期：2022-06-30表4不同算法下AD与NC的分类性能基于Faster RCNN算法的阿尔兹海默症分类研究104