基于深度监督可适配三维卷积网络的阿尔茨海默病诊断
机器学习
2016-07-05 v1 神经元与认知
机器学习
摘要
早期诊断在预防阿尔茨海默病（AD）进展和治疗中起着重要作用，其基础是对从脑图像中提取的特征进行分类。这些特征必须准确捕捉与AD相关的脑解剖结构主要变化，例如脑室大小、海马体形状、皮层厚度和脑体积。本文提出利用深度三维卷积神经网络（3D-CNN）预测AD，该网络能够学习捕捉AD生物标志物的通用特征，并适应不同领域的数据集。该3D-CNN建立在一个三维卷积自编码器之上，后者经过预训练以捕捉结构性脑部MRI扫描中的解剖形状变化。随后，针对每个特定任务的AD分类，对3D-CNN的全连接上层进行微调。在未进行颅骨剥离预处理的ADNI MRI数据集上的实验表明，我们的3D-CNN在准确性和鲁棒性上均优于多种传统分类器。在CADDementia数据集上验证了该3D-CNN泛化所学特征并适应其他领域的能力。
引用
@article{arxiv.1607.00556,
title = {Alzheimer's Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network},
author = {Ehsan Hosseini-Asl and Georgy Gimel'farb and Ayman El-Baz},
journal= {arXiv preprint arXiv:1607.00556},
year = {2016}
}