基于三维卷积网络自适应的阿尔茨海默病诊断
机器学习
2016-11-15 v1 神经元与认知
机器学习
摘要
早期诊断在防止阿尔茨海默病 (AD) 进展和治疗中发挥着重要作用，其基于从脑图像中提取的特征分类。这些特征必须准确捕捉解剖脑结构中与 AD 相关的主要变化，例如脑室大小、海马体形状、皮层厚度和脑容量。本文提出使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的领域数据集。3D-CNN 构建于三维卷积自编码器之上，该自编码器经过预训练以捕捉结构脑 MRI 扫描中的解剖形状变化。然后对 3D-CNN 的全连接上层进行微调，以用于每个特定任务的 AD 分类。在未进行去颅骨预处理 的 CADDementia MRI 数据集上的实验表明，我们的 3D-CNN 在准确率上优于几种传统分类器。3D-CNN 泛化所学特征并适应其他领域的能力已在 ADNI 数据集上得到验证。
引用
@article{arxiv.1607.00455,
title = {Alzheimer's Disease Diagnostics by Adaptation of 3D Convolutional Network},
author = {Ehsan Hosseini-Asl and Robert Keynto and Ayman El-Baz},
journal= {arXiv preprint arXiv:1607.00455},
year = {2016}
}
备注
This paper is accepted for publication at IEEE ICIP 2016 conference