公开(公告)号：CN108492873B

公开(公告)日：2021-03-16

申请号：CN201810204007.3

申请日：2018-03-13

Applicant: 山东大学

Inventor： 吴强 ,  顾久驭 ,  刘琚 ,  孔祥茂

IPC: G16H50/20 ,  G06K9/62

Abstract: 本发明公开了一种基于辅助域迁移学习诊断阿兹海默症的方法。通过将医学影像与自然图像聚类，得到自然图像数据集的一个子集，这个子集中的自然图像的“距离”与医学影像更近，用它们训练网络可以使CNN间接学习到医学影像的特征，再通过迁移学习的方式训练医学影像数据，提高了CNN自动识别阿兹海默症的精度。本发明使用OASIS数据集作为AD数据集，ImageNet数据集作为自然图像数据集完成了实验，并做了5次交叉验证。与直接训练CNN和使用SVM分类器等方法比较后，本发明提出的方法的准确率有明显提升，表明本发明提出的方法是有效的，并可以可解决传统深度学习中训练速度慢，大量消耗计算资源，容易过拟合等问题。

公开(公告)号：CN108492873A

公开(公告)日：2018-09-04

申请号：CN201810204007.3

申请日：2018-03-13

Applicant: 山东大学

Inventor： 吴强 ,  顾久驭 ,  刘琚 ,  孔祥茂

IPC: G16H50/20 ,  G06K9/62

Abstract: 本发明公开了一种基于辅助域迁移学习诊断阿兹海默症的方法。通过将医学影像与自然图像聚类，得到自然图像数据集的一个子集，这个子集中的自然图像的“距离”与医学影像更近，用它们训练网络可以使CNN间接学习到医学影像的特征，再通过迁移学习的方式训练医学影像数据，提高了CNN自动识别阿兹海默症的精度。本发明使用OASIS数据集作为AD数据集，ImageNet数据集作为自然图像数据集完成了实验，并做了5次交叉验证。与直接训练CNN和使用SVM分类器等方法比较后，本发明提出的方法的准确率有明显提升，表明本发明提出的方法是有效的，并可以可解决传统深度学习中训练速度慢，大量消耗计算资源，容易过拟合等问题。