资源描述：
《基于卷积神经网络的注意缺陷多动障碍分类研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、生物医学工程学杂志2017年2月第34卷第1期•1•·论著·基于卷积神经网络的注意缺陷多动障碍分类研究朱莉，张丽英，韩云涛，曾佺，常为科南昌大学信息工程学院（南昌330031）【摘要】注意缺陷多动障碍（ADHD）是一种高发于学龄儿童的行为障碍综合症。目前，ADHD的诊断主要依赖主观方法，导致漏诊率和误诊率较高。基于此，本文提出一种基于卷积神经网络的ADHD客观分类算法。首先，对脑部磁共振图像（MRI）进行头骨剥离、高斯核平滑等预处理；其次，对大脑的右侧尾状核、左侧楔前叶和左侧额上回部位的MRI进行粗分割；最后，利用3层卷积神经网
2、络进行分类。实验结果表明：①本文的算法能有效地对ADHD和正常人群进行分类；②右侧尾状核和左侧楔前叶的ADHD分类准确率要高于ADHD-200全球竞赛中所有方法达到的ADHD最高分类准确率（62.52%）；③利用上述3个脑区对ADHD患者和正常人群进行分类，其中右侧尾状核的分类准确率最高。综上所述，本文提出了一种利用粗分割和深度学习对ADHD患者和正常人群进行分类的方法。本文方法分类准确率高，计算量小，能较好地提取不明显的图像特征，改善了传统MRI脑区精确分割耗时长及复杂度高的缺点，为ADHD的诊断提供了一种可参照的客观方法。【
3、关键词】注意缺陷多动障碍；磁共振图像；卷积神经网络Studyofattentiondeficit/hyperactivitydisorderclassificationbasedonconvolutionalneuralnetworksZHULi,ZHANGLiying,HANYuntao,ZENGQuan,CHANGWeikeSchoolofInformationEngineering,NanchangUniversity,Nanchang330031,P.R.ChinaCorrespondingauthor:ZHULi,Em
4、ail:lizhuthu@163.com【Abstract】Attentiondeficit/hyperactivitydisorder(ADHD)isabehavioraldisordersyndromefoundmainlyinschool-agepopulation.Atpresent,thediagnosisofADHDmainlydependsonthesubjectivemethods,leadingtothehighrateofmisdiagnosisandmissed-diagnosis.Tosolvethese
5、problems,weproposedanalgorithmforclassifyingADHDobjectivelybasedonconvolutionalneuralnetwork.Atfirst,preprocessingsteps,includingskullstripping,Gaussiankernelsmoothing,etal.,wereappliedtobrainmagneticresonanceimaging(MRI).Then,coarsesegmentationwasusedforselectingthe
6、rightcaudatenucleus,leftprecuneus,andleftsuperiorfrontalgyrusregion.Finally,a3levelconvolutionalneuralnetworkwasusedforclassification.ExperimentalresultsshowedthattheproposedalgorithmwascapableofclassifyingADHDandnormalgroupseffectively,theclassificationaccuracies(62
7、.52%)obtainedbytherightcaudatenucleusandtheleftprecuneusbrainregionsweregreaterthanthehighestclassificationaccuracyintheADHD-200competition,andamong3brainregionsinADHDandthenormalgroups,theclassificationaccuracyfromtherightcaudatenucleuswasthehighest.Itiswellconclude
8、dthatthemethodforclassificationofADHDandnormalgroupsproposedinthispaperutilizingthecoarsesegmentationanddeeplearningisausefulmethod
