面向MRI-based Parkinson's Disease分类的2D和3D深度学习模型：卷积Kolmogorov-Arnold网络、卷积神经网络与图卷积网络的比较分析
图像与视频处理
2024-09-27 v2 计算机视觉与模式识别
定量方法
摘要
帕金森病（Parkinson's Disease, PD）诊断仍具有挑战性。本研究将卷积Kolmogorov-Arnold网络（ConvKANs），即将可学习的样条基函数激活函数集成到卷积层中，用于基于结构MRI的PD分类。首次提出了用于医学影像的3D ConvKANs实现，并将其性能与卷积神经网络（CNNs）和图卷积网络（GCNs）进行比较，基于三个开源数据集。孤立分析采用交叉验证技术评估各数据集内的性能。持留分析通过在两个数据集上训练并在第三个数据集上测试来评估跨数据集的泛化能力，模拟真实世界临床场景。在孤立分析中，2D ConvKANs 在PPMI数据集上实现了最高的AUC为0.99（95%置信区间：0.98-0.99），显著优于2D CNNs（AUC: 0.97，p = 0.0092）。3D模型表现前景，3D CNN和3D ConvKAN在PPMI上达到AUC为0.85。在持留分析中，3D ConvKAN在早期阶段PD数据上实现了 superior 的泛化，达到AUC为0.85。GCNs在2D中表现不佳，但在3D实现中得到改善。这些发现凸显了ConvKANs用于PD检测的潜力,强调3D分析在捕捉微妙脑变化方面的重要性,并概括了跨数据集泛化挑战。本研究推进了基于结构MRI的AI辅助PD诊断,并强调需要更大规模的验证。
引用
@article{arxiv.2407.17380,
title = {2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks},
author = {Salil B Patel and Vicky Goh and James F FitzGerald and Chrystalina A Antoniades},
journal= {arXiv preprint arXiv:2407.17380},
year = {2024}
}
备注
7 figures