当前位置：首页 > news >正文

项目文档：基于DenseNet-201与BiLSTM融合的阿尔茨海默病多模态影像智能诊断系统

news 2026/8/2 8:21:48

摘要：阿尔茨海默病（Alzheimer’s Disease，AD）是老年人群中最常见的神经退行性疾病，其病理改变在临床症状出现之前十余年即已发生，因而对轻度认知障碍阶段的早期识别具有重要的临床价值。正电子发射断层扫描（PET）与磁共振成像（MRI）能够反映脑代谢与结构的细微改变，但影像阅片高度依赖医师经验，且早期轻度认知障碍（EMCI）、晚期轻度认知障碍（LMCI）与轻度认知障碍（MCI）之间的影像学差异极为细微，人工判读的一致性较差。为此，本文设计并实现了一套面向五分类任务的阿尔茨海默病智能辅助诊断系统。

内容简介

本文的主要工作包括四个方面。第一，构建“数据预处理—双通路特征学习—模型融合—交互可视化”的四层系统架构，将 ADNI 数据集中 AD、CN、EMCI、LMCI、MCI 五类脑影像统一标准化为 224×224×3 的 RGB 输入。第二，采用两阶段迁移学习训练策略：先以 ImageNet 预训练的 DenseNet-201 为骨干网络，替换其 fc1000 层为五分类输出层并进行端到端微调；再在其 avg_pool 层提取 1920 维深度特征，序列化后送入含 128 个隐藏单元的 BiLSTM 网络，以双向时序建模挖掘特征维度间的长程依赖关系。第三，在决策层采用概率加权融合策略，对两个异构模型的 Softmax 输出进行归一化加权，输出五分类诊断结论与置信度评分。第四，基于 MATLAB GUI 实现三栏式交互诊断平台，支持模型动态加载、影像导入、一键诊断与结果可视化。

在 550 例测试样本上的实验结果表明：DenseNet-201 单模型准确率为 97.09%，BiLSTM 单模型准确率为 98.36%，概率加权融合模型准确率为 97.09%；三个模型各类别的 AUC 值均不低于 0.999，表现出良好的类别可分性。混淆矩阵分析显示，误分类主要集中于 EMCI 与 LMCI 等认知障碍相邻分期之间，符合疾病连续演进的临床规律。系统在稳态下单张影像的推理耗时约为 0.83～1.08 秒，满足实时辅助诊断的需求。本文进一步讨论了简单平均融合在异构模型置信度尺度不一致时的局限性，并提出以可学习权重与不确定性度量改进融合策略的后续方向。

文档概述

文档信息

版本：初稿
页数：44页
字数：19353个字
格式：word（可编辑）
图表：16张图、9张表、12个公式

文档目录

摘要 I
Abstract II
目录 IV
第1章绪论 1
1.1 研究背景与意义 1
1.1.1 阿尔茨海默病的流行病学现状 1
1.1.2 早期诊断的重要性与挑战 1
1.1.3 医学影像在阿尔茨海默病诊断中的应用 1
1.1.4 人工智能辅助诊断的发展趋势 2
1.2 国内外研究现状 2
1.2.1 传统诊断方法 2
1.2.2 基于机器学习的诊断研究 3
1.2.3 深度学习在医学影像分析中的应用 3
1.2.4 多模型融合方法研究进展 3
1.2.5 现有方法的局限性分析 3
1.3 研究内容与目标 4
1.3.1 研究目标 4
1.3.2 主要研究内容 4
1.3.3 拟解决的关键问题 4
1.4 论文组织结构 4
第2章相关理论与技术基础 6
2.1 阿尔茨海默病医学基础 6
2.1.1 病理机制 6
2.1.2 疾病分期与认知障碍分类 6
2.1.3 医学影像学特征 6
2.2 深度学习基础理论 6
2.2.1 人工神经网络与卷积神经网络 6
2.2.2 循环神经网络与长短时记忆网络 7
2.2.3 双向长短时记忆网络 7
2.3 DenseNet 网络架构 8
2.3.1 设计思想与密集连接机制 8
2.3.2 DenseNet-201 结构解析 8
2.4 迁移学习与特征提取 9
2.5 模型融合理论 9
2.5.1 集成学习基本概念 9
2.5.2 Softmax 输出与概率加权融合 9
2.5.3 损失函数 10
2.6 本章小结 10
第3章系统总体设计 11
3.1 系统设计目标与原则 11
3.1.1 功能性需求分析 11
3.1.2 非功能性需求分析 11
3.1.3 系统设计原则 11
3.2 系统总体架构 11
3.3 数据预处理模块设计 14
3.4 特征提取模块设计 14
3.5 模型融合模块设计 14
3.6 可视化交互模块设计 15
3.7 本章小结 15
第4章系统详细设计与实现 16
4.1 开发环境与工具 16
4.2 数据集准备 16
4.2.1 ADNI 数据集介绍 16
4.2.2 数据划分策略 16
4.3 DenseNet-201 模型实现 17
4.4 特征提取实现 18
4.5 BiLSTM 模型实现 18
4.6 模型融合实现 19
4.7 可视化系统实现 19
4.8 系统集成与测试 20
4.9 本章小结 20
第5章实验结果与分析 21
5.1 实验设置与评价指标 21
5.2 模型训练过程分析 21
5.3 模型性能评估 22
5.4 混淆矩阵分析 23
5.5 ROC 曲线与 AUC 分析 25
5.6 消融实验与融合策略讨论 27
5.7 与现有方法的对比 28
5.8 系统运行效率分析 28
5.9 案例展示 29
5.10 本章小结 32
第6章总结与展望 33
6.1 研究工作总结 33
6.2 系统特点与优势 33
6.3 研究局限性 33
6.4 未来工作展望 34
6.5 结束语 34
参考文献 35
致谢 37