当前位置：首页 > news >正文

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 17:51:03

摘要：针对阿尔茨海默病（AD）早期诊断准确率不足的问题，本研究提出了一种基于深度学习的多模型融合智能诊断系统。

项目概览

项目简介

该系统采用DenseNet-201卷积神经网络提取医学影像的深层特征，结合双向长短时记忆网络（BiLSTM）捕获时序依赖关系，通过加权融合策略实现对阿尔茨海默病及其认知障碍亚型（AD、CN、EMCI、LMCI、MCI）的精准分类。系统支持PET和MRI等多模态医学影像输入，采用224×224×3的标准化输入尺寸，并在DenseNet-201的平均池化层提取1920维特征向量作为BiLSTM的输入。

在ADNI数据集上的验证表明，融合模型的分类准确率显著优于单一模型，对五类疾病状态的识别置信度均超过95%。系统具备实时诊断能力，单张影像处理时间小于3秒。

本研究开发的智能辅助检测系统集成了先进的深度学习算法与友好的人机交互界面，为阿尔茨海默病的早期筛查和临床辅助诊断提供了有效工具，具有良好的科研和临床应用价值。

系统架构

本系统采用”数据预处理-双通路特征学习-模型融合-交互可视化”的四层架构设计。数据预处理层负责将输入的PET/MRI医学影像进行标准化处理，统一调整为224×224×3的RGB格式并实施数据增强；双通路特征学习层包含DenseNet-201卷积特征提取通路和BiLSTM时序建模通路，其中DenseNet-201通路利用预训练权重对标准化影像进行端到端分类，并在avg_pool层提取1920维全局深度特征向量，BiLSTM通路接收该特征向量并通过双向时序建模捕获特征维度间的长程依赖关系；模型融合层采用概率加权策略对两个异构模型的Softmax输出进行归一化融合，生成五分类诊断结果（AD、CN、EMCI、LMCI、MCI）及置信度评分；交互可视化层基于MATLAB GUI框架构建三栏式专业界面，左侧面板提供模型状态监控与操作控制，中央面板实时展示原始影像及元数据信息，右侧面板呈现融合诊断结果、类别概率分布柱状图和模型诊断明细表，支持模型动态加载、影像导入、智能诊断和系统重置等完整工作流程，单张影像诊断时间小于3秒，为临床医生和科研人员提供了高效易用的智能化辅助诊断工具。

图1 系统架构图

技术创新

创新点1：双通路互补式特征融合架构

本系统首次将DenseNet-201的空间特征提取能力与BiLSTM的时序依赖建模能力结合，构建了”卷积特征提取-时序关系挖掘”的双通路架构。不同于传统单一CNN模型，系统在DenseNet-201的avg_pool层提取1920维全局特征向量后，通过BiLSTM进一步挖掘特征维度间的长程依赖关系，使模型能够同时捕获影像的空间语义信息和特征间的内在关联，显著提升了对阿尔茨海默病及其认知障碍亚型的细粒度识别能力。

创新点2：多模型概率融合策略

针对阿尔茨海默病早期诊断中单一模型易受数据分布和特征表达局限性的影响，本系统提出了基于概率加权的模型融合机制。通过对DenseNet-201和BiLSTM两个异构模型的输出概率进行归一化融合，实现了模型间的优势互补和决策鲁棒性提升。该策略有效降低了单一模型的误判风险，在ADNI数据集上的五分类任务中，融合模型的整体置信度较单一模型平均提升8-12个百分点，尤其在EMCI和LMCI等难区分类别上表现出更强的判别能力。

创新点3：科研级实时交互诊断平台

本系统设计了集模型管理、影像处理、智能诊断和结果可视化于一体的专业级人机交互平台。系统采用三栏式布局，左侧提供模型状态监控和操作控制面板，中央展示原始影像及其元数据信息，右侧实时呈现融合诊断结果、类别概率分布图和模型诊断明细表。不同于传统命令行式深度学习工具，本系统将复杂的模型推理过程封装为友好的图形化界面，单张影像诊断时间小于3秒，适合临床医生和科研人员无编程基础快速上手，为阿尔茨海默病的早期筛查和辅助诊断提供了高效易用的智能化工具。

训练模型

运行AD_Model_Training.m

本系统采用基于ADNI数据集的两阶段迁移学习训练策略。

第一阶段：DenseNet-201迁移学习。加载ImageNet预训练的DenseNet-201模型，将最后的全连接层（fc1000）替换为5分类输出层，并设置新层的学习率因子为10倍以加速收敛。采用Adam优化器、初始学习率3e-4、每10个epoch衰减至50%的学习率调度策略，在数据增强（随机旋转±10°、平移±5像素）后的训练集上进行30个epoch的端到端微调训练。

第二阶段：BiLSTM时序建模训练。利用训练好的DenseNet-201在avg_pool层对所有训练样本和测试样本提取1920维深度特征向量，将每个样本的特征向量转换为D×1序列格式输入到BiLSTM网络（128个隐藏单元）。该网络通过双向时序建模学习特征维度间的长程依赖关系，同样采用Adam优化器和相同的学习率调度策略进行30个epoch训练。

训练配置与结果保存。训练过程中采用80%/20%的数据划分比例，MiniBatchSize设置为16以适应小规模数据集，每10个epoch进行一次验证集评估。训练完成后将DenseNet-201和BiLSTM模型分别保存至Models目录，同时生成混淆矩阵和ROC曲线并保存至Results目录。整个训练流程通过MATLAB深度学习工具箱实现，支持CPU和GPU自动切换以优化训练效率。

图2 BiLSTM混淆矩阵

图3 BiLSTM模型的ROC曲线

图4 Combined混淆矩阵

图5 Combined模型的ROC曲线

图6 DenseNet201混淆矩阵

图7 DenseNet-201模型的ROC曲线