基于卷积神经网络的注意缺陷多动障碍分类研究

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。