摘要：为早期诊断和检测神经肌肉罕见病———杜兴氏肌营养不良（DMD），设计了一组分类预测试验．首先，利用小波变换对 DMD 患者组和健康对照组的磁共振图像（MRI）进行小波分解；其次，从所得的分解图像中提取出若干纹理特征参数并进行降维处理；最后，再基于这些纹理特征参数，利用支持向量机算法（SVM）对试验图像进行分类预测．试验结果显示，若选择适当的小波分解尺度、分类器核函数和相关参数组合，则 MRI 图像的分类灵敏度、特异度和准确率分别可达96．9％，97．3％和97．1％．该处理方法有望为临床提供客观有效的辅助诊断手段，可作为 DMD 罕见病无创检测的尝试探索．

摘要：杜兴氏肌营养不良(DMD)是一种致死性骨骼肌遗传病。传统的诊断方法中包含创伤性检查,会令患者产生极大的痛苦。本文基于受试者的磁共振图像(MRI),探索DMD的无创检测方法。共获取试验图像485幅,分成患者组和健康对照组,每组均包括T1和T2这2类加权图像。试验设计一个10隐层卷积神经网络(CNN),利用该网络直接读取T1和T2并分类识别。结果显示:1)随着网络参数的优化和迭代次数的增加,图像识别准确度分别达到99. 2%和98. 9%,结果收敛且稳定; 2) 2类加权图像T1和T2均能很好区分患者组与健康组; 3)与KNN、LR、DT及SVM等算法相比,CNN算法的分类准确度更高。CNN尤其提升了对于T2图像的识别准确度,大大发掘了T2图像的利用价值。因此,利用CNN对DMD图像进行分类识别,因其准确度高、无损图像信息等特点,有望为临床提供客观有效的辅助诊断手段。这是人工智能在DMD无创检测领域中有效的尝试探索。