基于sMRI成像模态与深度学习的阿尔茨海默病二分类
计算机视觉与模式识别
2020-04-07 v3 机器学习
定量方法
摘要
阿尔茨海默病（AD）是一种不可逆的破坏性神经退行性疾病，伴随记忆和认知功能的渐进性损伤。其早期诊断对于未来可能治疗方案的开发至关重要。结构磁共振图像（sMRI）在帮助理解AD相关的解剖学变化（尤其在其早期阶段）方面发挥重要作用。传统方法需要领域专家的专业知识并提取手工挑选的特征（如灰质亚结构）并训练分类器以区分AD受试者与健康受试者。不同于这些方法，本文提出构建多个深度2D卷积神经网络（2D-CNNs）以从局部脑图像中学习各种特征，并将其组合以进行最终的AD诊断分类。整个脑图像通过了两种迁移学习架构：Inception version 3和Xception；以及借助可分离卷积层构建的自定义卷积神经网络（CNN），其可自动从成像数据中学习通用特征用于分类。我们的研究使用来自Open Access Series of Imaging Studies（OASIS）数据库的横向T1加权结构MRI脑图像进行，以保持不同MRI扫描的尺寸和对比度。实验结果表明，迁移学习方法超越了非迁移学习方法的性能，证明了这些方法在AD二分类任务中的有效性。
引用
@article{arxiv.1809.06209,
title = {Binary Classification of Alzheimer Disease using sMRI Imaging modality and Deep Learning},
author = {Ahsan Bin Tufail and Qiu-Na Zhang and Yong-Kui Ma},
journal= {arXiv preprint arXiv:1809.06209},
year = {2020}
}