使用卷积神经网络进行阿尔茨海默病分类的综合研究
计算机视觉与模式识别
2019-04-18 v1
摘要
目前已开发出大量用于从大脑 MRI 扫描中进行阿尔茨海默病分类任务的深度学习模型。其中许多模型报告了高性能，实现了高达 95% 的三分类准确率。然而，这些研究通常在数据集的不同子集上训练的模型或使用不同图像预处理技术的模型之间进行性能比较，这使得客观评估模型性能变得困难。此外，这些工作中有许多未提供超参数、所使用的特定 MRI 扫描或其源代码等细节，使得难以复现其实验。为了解决这些问题，我们对 ADNI 提供的全套图像上的一些深度学习方法和架构进行了综合研究。我们发现，（1）在我们的设置中，使用 3D 模型进行分类带来了 1% 的提升，但代价是训练时间显著延长且需要更多计算能力，（2）使用我们的数据集，预训练对模型性能的提升微乎其微（），（3）大多数流行的卷积神经网络模型在相互比较时产生相似的性能。最后，我们简要比较了两种图像预处理程序的效果：FreeSurfer 和 Clinica，并发现与 FreeSurfer 图像相比，Clinica 输出的空间归一化和分割图像将模型预测准确率从 63% 提高到了 89%。
引用
@article{arxiv.1904.07950,
title = {A Comprehensive Study of Alzheimer's Disease Classification Using Convolutional Neural Networks},
author = {Ziqiang Guan and Ritesh Kumar and Yi Ren Fung and Yeahuay Wu and Madalina Fiterau},
journal= {arXiv preprint arXiv:1904.07950},
year = {2019}
}