一种用于从脑结构图像预测年龄的域引导 CNN 架构
计算机视觉与模式识别
2018-08-15 v1 机器学习
机器学习
摘要
鉴于卷积神经网络（CNNs）在自然图像上的广泛应用成功，研究者已开始将其应用于神经影像数据。然而，迄今为止针对神经影像数据定制新颖 CNN 架构的探索十分有限。近期的若干工作未能利用大脑的 3D 结构，而是将大脑视为一组独立的 2D 切片。那些确实利用 3D 卷积的方法依赖于为自然 2D 图像中物体识别任务开发的架构。此类架构对输入做了可能不适用于神经影像的假设。例如，现有架构假设大脑中的模式表现出平移不变性。然而，大脑中的一个模式可能因其所处脑区位置不同而具有不同含义。有必要探索专为脑图像定制的新颖架构。我们基于脑图像结构对现有 CNN 架构提出两处简单修改。应用于脑年龄预测任务时，我们的网络取得了 1.4 年的平均绝对误差（MAE），且比取得 1.6 年 MAE 的 CNN 基线训练快 30%。我们的结果表明，从自然图像开发模型中获得的经验可能不能直接迁移到神经影像任务；相反，该领域模型开发仍存在大量未探索的问题，其答案可能不同于传统认知。
引用
@article{arxiv.1808.04362,
title = {A Domain Guided CNN Architecture for Predicting Age from Structural Brain Images},
author = {Pascal Sturmfels and Saige Rutherford and Mike Angstadt and Mark Peterson and Chandra Sripada and Jenna Wiens},
journal= {arXiv preprint arXiv:1808.04362},
year = {2018}
}
备注
Machine Learning for Healthcare 2018