《基于增强 AlexNet 的深度学习的阿尔茨海默病的早期诊断》论文浅析

本篇论文是发表于2017年6月，使用深度学习的方法来对阿尔兹海默症进行诊断！主要的点在以下几个方面，当然了，这是对于我这个新手菜鸟的主要点，对于大佬可以无视的！（以下记录只是本人的学习笔记，粗糙之处多有担待）

1. MRI图像的张量表示

2. 数据集和预处理

3. AlexNet网络及其改进增强的网络模型

MRI图像的张量表示

张量是高维数据的表示形式，是矩阵的高维推广。标量可以看作是零阶张量，矢量是一阶张量，矩阵是二阶张量。张量是矩阵的推广，因此它也满足一些矩阵的性质。
Tucker 分解是张量分解的一种，它可以得到一个核心张量和一系列正交矩阵。 Tucker 分解的概念最初是在研究心理学时提出的，然后逐渐被应用在许多学科中间。Tucker 分解的优势在于减少像素之间的信息损失。在高维图像中，核心张量保证了原张量的重要信息不会丢失。Tucker 分解在数据挖掘、数据压缩中有很多成功应用。其函数可以表示为:

其中 ， w 是要被 Tucker 分解的张量， G 是核心张量，A1，A2，… ，An 是一系列正交矩阵。
MRI图像都是三维的，但是深度学习处理的图片都是二维的，这就要求我们对图像进行降维，但是在降维的时候要减少图像降维的损失，这就想到了Tucker分解。

tucker分解有个core tensor，你可以把它类比成pca中的主成分因子，它可以体现原tensor（张量）的大部分性质。

数据集和预处理

实验数据是从阿尔茨海默病神经影像学网站得到的 (ADNl）。针对 AD 的心理测试主要包括临床痴呆评定量表 (Clinical dementia rating, CDR) [25J 和简易精神状态检查表 (mini-mental state examination, MMSE) [町，这两类表可以作为 AD 的心理学诊断标准。

使用医学软件MRIcron 进行了数据集的颤选。然后，将经过分解的 MRI 图像的大小调整为 256 养 256 0 实验选用了大脑的冠状位，这是因为医生在确诊 AD 时更多是根据冠状位图。

AlexNet网络及其改进增强的网络模型

这是AlexNet的网络结构图，AlexNet 有八层结构，前五层构建的是卷积神经网络，第六层到第八层为传统神经网络。第一层和第二层都使用了卷积、 ReLU、池化、标准化操作。第三层和第四层参数相同，都使用了卷积和 ReLU 操作。第五层使用了卷积、 ReLU、池化操作。操作后的结果输入到传统的神经网络中，最后三层使用全连接的网络结构。最后运用softmax（解决多分类问题）回归函数得到分类值。
经过阅读文献发现在原 AlexNet 模型的第三层和第四层对 AD ， MCI 和 HC 提取特征的能力最强。（其实我并不知道这是咋来的，论文上只有这一句话）。论文总共改进了4种网络，都是围绕着第三层和第四层进行修改，修改参数或者添加相同参数的层来检验是否优化得当。
最后得到的增强型AlexNet结构参数如下图：

这是把第三层和第四层的卷积核的个数进行了修改。

这就是这篇论文的看点了，其他的基本上没啥可以说的了。这也只是我学习的一个笔记，多为摘抄和记录，不是本人所创新，大家可以搜索原文进行细看。