一种利用卷积神经网络的医学图像处理装置与方法与流程

本发明涉及一种人工智能的医学图像处理装置和方法。基于深度学习的卷积神经网络的利用头颅的核磁共振成像对全脑和/或海马体的核磁共振的图像数据进行处理和分析，特别地，涉及基于深度学习的卷积神经网络的利用头颅的核磁共振成像对全脑和/或海马体进行阿尔兹海默病、遗忘型轻度认知损害和正常老年组的两两之间的判别的装置和方法。

背景技术：

阿尔兹海默病是一种神经退行性疾病。已有的研究工作已经证实，在头颅的核磁共振成像的影像文件中，尽管每个受试者的核磁共振成像的影像数据存在个体差异，在生物统计学的意义上，阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三个类别存在核磁共振成像的影像数据的三个类别之间的差异。利用人工智能的机器学习的深度学习的方法利用头颅的核磁共振成像的影像数据对阿尔兹海默病、遗忘型轻度认知损害和正常老年组进行计算机辅助识别的装置和方法为科学研究提供了重要的帮助。

现有技术中有利用人工智能的深度学习对头颅的核磁共振成像的3维的影像数据进行阿尔兹海默病、遗忘型轻度认知损害和正常老年组进行计算机辅助识别的文献，见预印本网站的arxiv:1607.00556v1。但是，该文献仅对头颅的核磁共振成像的3维的体素数据进行处理，使用的技术方案是3维卷积自编码器。由于需要对每一位受试者的头颅的核磁共振成像的所有的3维的体素数据进行处理，该技术方案需要巨大的运算量，即使使用高性能计算机或高性能计算机集群，该技术方案也很难甚至不可能在临床上使用。另外，临床的普通扫描的头颅的核磁共振成像的影像数据是20张到40张二维的切片的图像数据，上述的arxiv:1607.00556v1的文献中的方法无法用于临床的普通扫描的头颅的核磁共振成像的影像数据。

技术实现要素：

本发明就是针对现有技术中存在的问题提出的。

本发明提出了一种利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的装置，该装置包括，用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质，利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行进行处理和分析的计算机主机，用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置，

上述装置能够实现对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的1张到20张的经过海马体的冠状面的二维切片实现人工智能的深度学习的卷积神经网络的监督学习，上述的1到20张的经过海马体的冠状面的二维切片起到数据增强的作用，利用迁移学习的技术，将上述的人工智能的深度学习的卷积神经网络模型在数百万张自然图像上先进行预训练，再针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务对上述的人工智能的深度学习的卷积神经网络模型进行再训练，根据上述的对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的1张到20张的经过海马体的冠状面的二维切片进行人工智能的深度学习的卷积神经网络的监督学习所得到的深度学习的卷积神经网络模型，选取受试者的三维的头颅的核磁共振成像的图像数据的一张或两张经过海马体的冠状面的二维图像作为被测试的图像，实现对上述的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别；

上述1张到20张的经过海马体的冠状面的二维切片优选为5张到10张的经过海马体的冠状面的二维切片。

本发明的上述装置从待识别的受试者的三维的头颅的核磁共振成像的图像数据中获得大脑的冠状面的二维重构图像，从上述的冠状面的二维重构图像中，选取受试者的三维的头颅的核磁共振成像的图像数据的一张或两张经过海马体的冠状面的二维图像作为被测试的图像，实现对上述的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别。3.权利要求1的装置，其特征在于：上述装置能够实现对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的1张到20张的经过海马体的冠状面的二维切片实现人工智能的深度学习的卷积神经网络的监督学习，上述的1张到20张的经过海马体的冠状面的二维切片可以用作训练数据、验证数据和测试数据，上述的1到20张的经过海马体的冠状面的二维切片起到数据增强的作用，利用迁移学习的技术，将上述的人工智能的深度学习的卷积神经网络模型在数百万张自然图像上先进行预训练，使上述的人工智能的深度学习的卷积神经网络模型具有较强的特征表示能力，再针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务对上述的人工智能的深度学习的卷积神经网络模型进行再训练，根据上述的对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的5张到10张的经过海马体的冠状面的二维切片进行人工智能的深度学习的卷积神经网络的监督学习所得到的深度学习的卷积神经网络模型，利用冠状重构技术，从待识别的受试者的三维的头颅的核磁共振成像的图像数据中获得大脑的冠状面的二维重构图像，从上述的冠状面的二维重构图像中，选取受试者的三维的头颅的核磁共振成像的图像数据的1张或2张经过海马体的冠状面的二维图像作为被测试的图像，将上述的被测试的图像的比上述的训练数据的图像多出的部分去除，实现对上述的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别。

本发明的上述装置的上述存储介质是计算机硬盘。

本发明的上述装置的上述的卷积神经网络是16层的卷积神经网络。

本发明提出了一种利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的方法，该方法使用的装置包括，用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质，利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行进行处理和分析的计算机主机，用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置，

上述方法能够实现对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的1张到20张的经过海马体的冠状面的二维切片实现人工智能的深度学习的卷积神经网络的监督学习，上述的1到20张的经过海马体的冠状面的二维切片起到数据增强的作用，利用迁移学习的技术，将上述的人工智能的深度学习的卷积神经网络模型在数百万张自然图像上先进行预训练，再针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务对上述的人工智能的深度学习的卷积神经网络模型进行再训练，根据上述的对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的1张到20张的经过海马体的冠状面的二维切片进行人工智能的深度学习的卷积神经网络的监督学习所得到的深度学习的卷积神经网络模型，选取受试者的三维的头颅的核磁共振成像的图像数据的一张或两张经过海马体的冠状面的二维图像作为被测试的图像，实现对上述的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别。

本发明的上述方法从待识别的受试者的三维的头颅的核磁共振成像的图像数据中获得大脑的冠状面的二维重构图像，从上述的冠状面的二维重构图像中，选取受试者的三维的头颅的核磁共振成像的图像数据的一张或两张经过海马体的冠状面的二维图像作为被测试的图像，实现对上述的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别。

本发明的上述方法使用的上述装置能够实现对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的1张到20张的经过海马体的冠状面的二维切片实现人工智能的深度学习的卷积神经网络的监督学习，上述的1张到20张的经过海马体的冠状面的二维切片是训练数据、验证数据和测试数据，上述的1到20张的经过海马体的冠状面的二维切片起到数据增强的作用，利用迁移学习的技术，将上述的人工智能的深度学习的卷积神经网络模型在数百万张自然图像上先进行预训练，再针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务对上述的人工智能的深度学习的卷积神经网络模型进行再训练，根据上述的对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的1张到20张的经过海马体的冠状面的二维切片进行人工智能的深度学习的卷积神经网络的监督学习所得到的深度学习的卷积神经网络模型，利用冠状重构技术，从待识别的受试者的三维的头颅的核磁共振成像的图像数据中获得大脑的冠状面的二维重构图像，从上述的冠状面的二维重构图像中，选取受试者的三维的头颅的核磁共振成像的图像数据的一张或两张经过海马体的冠状面的二维图像作为被测试的图像，将上述的被测试的图像的比上述的训练数据的图像多出的部分去除，实现对上述的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别。

本发明的上述方法的上述的卷积神经网络是16层的卷积神经网络。

本发明的从受试者的三维的头颅的核磁共振成像的图像数据的1张到20张的经过海马体的冠状面的二维切片是选自海马体的中心与海马体的尾部的中心之间，用于测试的一张或两张经过海马体的冠状面的二维图像也是选自海马体的中心与海马体的尾部的中心之间，优选地，上述的1张到20张的经过海马体的冠状面的二维切片为选自海马体的中部与海马体的尾部的交界处前后的5张到10张二维切片，用于测试的一张或两张经过海马体的冠状面的二维图像为选自海马体的中部与海马体的尾部的交界处前后的一张或两张二维图像。

本发明的有益效果：

在美国的adni的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的数据集上，本项发明对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的识别率达到98％以上。利用本发明的方法和装置，使用临床的3t的核磁共振的图像数据的冠状的二维切片，有可能使正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的准确率达到90％以上。提高了诊断效率。对同样的训练集和验证集，本发明使用数据增强得到的模型的验证的准确率比不使用数据增强得到的模型的验证的准确率高3％以上。对同样的训练集和验证集，本发明使用迁移学习得到的模型的验证的准确率比不使用迁移学习得到的模型的验证的准确率高5％以上。

附图说明

图1是本发明的大脑的核磁共振成像的冠状面的二维图像的示意图。

图2是说明本发明的卷积神经网络的结构的示意图。

具体实施方式

实施例1

实施方式1利用美国的阿尔兹海默病神经影像计划(alzheimer’sdiseaseneuroimaginginitiative，简称adni)的数据实现本发明对头颅的核磁共振成像的影像数据的全脑的图像数据进行核磁共振的图像处理与分析的技术方案。从美国的阿尔兹海默病神经影像计划的官方网站下载经过临床确诊的阿尔兹海默病(ad)，遗忘型轻度认知损害(mci)和正常老年组(nc)的头颅的核磁共振的影像数据，

利用美国的阿尔兹海默病神经影像计划的数据，选取450个受试者的3t的核磁共振的影像数据，可以划分训练集，验证集和测试集，训练集的数据是313个受试者的3t的核磁共振的影像数据，验证集的数据是120个受试者的3t的核磁共振的影像数据，其余的受试者的3t的核磁共振的影像数据是测试集。

训练集的情况

验证集的情况

测试集的情况

从美国的阿尔兹海默病神经影像计划的网站获取上述的头颅的核磁共振影像数据的全脑的三维数据。先对上述的三维数据进行图像数据的预处理，主要是进行漩涡电流的校准(eddycurrentcorrection)，去头骨(skullstripping)，将3维图像转换为2维图像，在冠状面上获取到厚度为体素的尺寸大小的91个二维切片，上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定，然后根据二维切片的面积大小，过滤掉脑部面积较小的切片，留下62个二维切片，缩放到96×96的大小，就是说，分成96×96个互相不重叠的区域。然后进行标准化操作，使上述的二维切片转换到标准坐标系。对图像进行数据增强操作，如旋转，高度位移，缩放，宽度位移等。

从上述的冠状面的二维切片中，选取1张到20张对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的识别最敏感的经过海马体的冠状面的二维切片。

美国的阿尔兹海默病神经影像计划(adni)的核磁共振的图像的预处理和二维切片的获取可以通过nibabel或其它各种医学影像学的开源或商业软件实现，也可以使用matlab等编程语言根据图像去噪，图像分割和图像配准的原理编程实现。

使用caffe的开源的深度学习的计算框架实现实施方式1的深度学习的软件部分的编程，使用普通的个人计算机硬件

对上述的训练集，给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签，给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签，给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签，

实施方式1使用计算机视觉的vgg16的16层的卷积神经网络训练对模型进行训练。

vgg16的卷积神经网络结构具有强大的特征提取能力，足以满足本发明的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特征表示需求，

迁移学习的原理是，正常老年组、遗忘型轻度认知损害和阿尔兹海默病的核磁共振的图像数据的数据量有限，如果使用有限的数据训练强大的模型，容易产生过拟合，同时，在自然场景中，存在的一些普适的特征，这些普适特征与某些疾病的病理特征存在某些联系，自然场景的图像是容易获取的，因此，本发明利用迁移学习的技术将上述的卷积神经网络的模型在数百万张自然图像上先进行预训练，使上述的卷积神经网络模型具有较强的特征表示能力，在进行完上述的预训练以后，再针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务上，对上述的卷积神经网络模型进行再训练，上述预训练保证上述的卷积神经网络模型的参数在最优解附近，上述再训练保证，上述的卷积神经网络模型针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务可以求得最优解。

考虑到图像数据有限，海马体的表现形式有限，可以利用数据增强的技术。针对本项任务，选择了每个受试者的核磁共振成像的海马体的冠状面的5到10张二维切片作为训练数据，达到了数据增强的作用，从而使上述的卷积神经网络模型更易于学习和收敛，

优选地，上述的5张到10张的经过海马体的冠状面的二维切片为选自海马体的中部与海马体的尾部的交界处前后的5张到10张二维切片，用于测试的一张或两张经过海马体的冠状面的二维图像为选自海马体的中部与海马体的尾部的交界处前后的一张或两张二维图像。

从上述验证集的核磁共振的二维的冠状面的二维切片中选取经过海马体的对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类最敏感的一张或两张二维切片，利用上述的训练集训练出的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的卷积神经网络的模型进行验证，本实施方式达到了对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的98％以上的准确率。

实施例2

实施方式2利用美国的阿尔兹海默病神经影像计划(alzheimer’sdiseaseneuroimaginginitiative，简称adni)的数据实现本发明对头颅的核磁共振成像的影像数据的全脑的图像数据进行核磁共振的图像处理与分析的技术方案。从美国的阿尔兹海默病神经影像计划的官方网站下载经过临床确诊的阿尔兹海默病(ad)，遗忘型轻度认知损害(mci)和正常老年组(nc)的头颅的核磁共振的影像数据，

利用美国的阿尔兹海默病神经影像计划的数据，选取450个受试者的3t的核磁共振的影像数据，可以划分训练集，验证集和测试集，训练集的数据是313个受试者的3t的核磁共振的影像数据，验证集的数据是120个受试者的3t的核磁共振的影像数据，其余的受试者的3t的核磁共振的影像数据是测试集。

训练集的情况

验证集的情况

测试集的情况

从美国的阿尔兹海默病神经影像计划的网站获取上述的头颅的核磁共振影像数据的全脑的三维数据。先对上述的三维数据进行图像数据的预处理，主要是进行漩涡电流的校准(eddycurrentcorrection)，去头骨(skullstripping)，将3维图像转换为2维图像，在冠状面上获取到厚度为体素的尺寸大小的91个二维切片，上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定，然后根据二维切片的面积大小，过滤掉脑部面积较小的切片，留下62个二维切片，缩放到96×96的大小，就是说，分成96×96个互相不重叠的区域。然后进行标准化操作，使上述的二维切片转换到标准坐标系。对图像进行数据增强操作，如旋转，高度位移，缩放，宽度位移等。

从上述的冠状面的二维切片中，选取5张到10张对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的识别最敏感的经过海马体的冠状面的二维切片。

美国的阿尔兹海默病神经影像计划(adni)的核磁共振的图像的预处理和二维切片的获取可以通过nibabel或其它各种医学影像学的开源或商业软件实现，也可以使用matlab等编程语言根据图像去噪，图像分割和图像配准的原理编程实现。

使用caffe的开源的深度学习的计算框架实现实施方式1的深度学习的软件部分的编程，使用普通的个人计算机硬件

对上述的训练集，给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签，给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签，给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签，

实施方式1使用计算机视觉的vgg16的16层的卷积神经网络训练对模型进行训练。

vgg16的卷积神经网络结构具有强大的特征提取能力，足以满足本发明的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特征表示需求，

迁移学习的原理是，正常老年组、遗忘型轻度认知损害和阿尔兹海默病的核磁共振的图像数据的数据量有限，如果使用有限的数据训练强大的模型，容易产生过拟合，同时，在自然场景中，存在的一些普适的特征，这些普适特征与某些疾病的病理特征存在某些联系，自然场景的图像是容易获取的，因此，本发明利用迁移学习的技术将上述的卷积神经网络的模型在数百万张自然图像上先进行预训练，使上述的卷积神经网络模型具有较强的特征表示能力，在进行完上述的预训练以后，再针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务上，对上述的卷积神经网络模型进行再训练，上述预训练保证上述的卷积神经网络模型的参数在最优解附近，上述再训练保证，上述的卷积神经网络模型针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务可以求得最优解。

考虑到图像数据有限，海马体的表现形式有限，可以利用数据增强的技术。针对本项任务，选择了每个受试者的核磁共振成像的海马体的冠状面的5到10张二维切片作为训练数据，达到了数据增强的作用，从而使上述的卷积神经网络模型更易于学习和收敛，

优选地，上述的5张到10张的经过海马体的冠状面的二维切片为选自海马体的中部与海马体的尾部的交界处前后的5张到10张二维切片，用于测试的一张或两张经过海马体的冠状面的二维图像为选自海马体的中部与海马体的尾部的交界处前后的一张或两张二维图像。

利用上述的训练集训练出正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的卷积神经网络的模型，选取国内的3t的临床确诊的临床的大脑的核磁共振的13例三维图像数据，将上述的国内的3t的临床确诊的临床的大脑的核磁共振的13例三维图像数据进行二维的冠状面的二维图像的重构，将上述的二维的冠状面的二维图像的医学影像格式转换成png格式，从上述的国内的医院的3t的临床确诊的临床的大脑的核磁共振的13例三维图像数据的经过冠状重构的冠状面的二维图像中选取经过海马体的与在上述的adni的二维图像的数据中的冠状面的经过海马体的二维切片的对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类最敏感的一张或两张二维切片相对应的用于诊断的一张或两张冠状面的经过海马体的二维图像，按照adni的二维冠状面的图像数据的形式，对国内的医院的上述的一张或两张冠状面的二维图像的png格式的图像进行修整处理，首先，在photoshop中导入adni的对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类最敏感的经过海马体的冠状面的二维切片，利用橡皮擦工具，将国内的医院的上述的用于诊断的一张或两张冠状面的经过海马体的二维图像的png格式的图像的多余的脑部图像进行去除，利用上述的训练出的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的卷积神经网络的模型对上述的国内的13例的受试者的经过上述处理的一张或两张用于诊断的经过海马体的冠状面的二维图像进行测试，13例的测试结果全部与临床结果一致，在13例的测试集上，达到了100％的诊断准确率。

实施例3

将临床确诊的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三维图像数据的经过冠状重构的经过海马体的对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类最敏感的冠状面部分的附近的5张到10张二维图像作为训练数据。将临床确诊的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三维图像数据的经过冠状重构的经过海马体的对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类最敏感的冠状面部分的一张或两张二维图像作为验证数据和测试数据。

对上述图像进行预处理。

使用caffe的开源的深度学习的计算框架实现实施方式3的深度学习的软件部分的编程，使用普通的个人计算机硬件

对上述的训练集，给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签，给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签，给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签，

实施方式3使用计算机视觉的vgg16的16层的卷积神经网络训练对模型进行训练。

vgg16的卷积神经网络结构具有强大的特征提取能力，足以满足本发明的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特征表示需求，

迁移学习的原理是，正常老年组、遗忘型轻度认知损害和阿尔兹海默病的核磁共振的图像数据的数据量有限，如果使用有限的数据训练强大的模型，容易产生过拟合，同时，在自然场景中，存在的一些普适的特征，这些普适特征与某些疾病的病理特征存在某些联系，自然场景的图像是容易获取的，因此，本发明利用迁移学习的技术将上述的卷积神经网络的模型在数百万张自然图像上先进行预训练，使上述的卷积神经网络模型具有较强的特征表示能力，在进行完上述的预训练以后，再针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务上，对上述的卷积神经网络模型进行再训练，上述预训练保证上述的卷积神经网络模型的参数在最优解附近，上述再训练保证，上述的卷积神经网络模型针对正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的特定任务可以求得最优解。

考虑到图像数据有限，海马体的表现形式有限，可以利用数据增强的技术。针对本项任务，选择了每个受试者的核磁共振成像的海马体的冠状面的5到10张二维切片作为训练数据，达到了数据增强的作用，从而使上述的卷积神经网络模型更易于学习和收敛，

优选地，上述的5张到10张的经过海马体的冠状面的二维切片为选自海马体的中部与海马体的尾部的交界处前后的5张到10张二维切片，用于测试的一张或两张经过海马体的冠状面的二维图像为选自海马体的中部与海马体的尾部的交界处前后的一张或两张二维图像。

利用上述的训练集训练出正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的卷积神经网络的模型，利用上述的验证集的数据对上述的卷积神经网络的模型进行验证。利用测试集的数据对上述的卷积神经网络的模型进行测试。