一种基于改进ResNet网络的阿尔茨海默病分类方法

摘要

本发明公开了一种基于一种基于改进的ResNet网络的阿尔茨海默病的分类方法，主要解决现有分类检测算法过程中数据不均衡及池化中特征丢失的问题。其方案是：(1)对ResNet网络进行改进加入有效通道注意力ECA模块，搭建针对阿尔茨海默病的ResNet分类检测网络；(2)为减少池化操作过程中的信息丢失，将最大池化Maxpool修改为softpool；(3)使用焦点损失函数替换交叉熵损失函数来解决数据不均衡，以及模型难学习困难样本的问题；(4)选取每一个MRI 3D数据在Axial‑横截、Sagittal‑矢状、Coronal‑冠状三个轴向位置的2D形式切片；(5)对改进后ResNet网络进行训练和测试。本发明提高了阿尔茨海默病的分类检测准确率，与现有模型相比，该模型具有较好的性能。