基于级联网络与排序损失的MRI脑龄估计
图像与视频处理
2021-06-08 v1 计算机视觉与模式识别
摘要
健康人的实际年龄能够从神经影像数据通过深度神经网络准确预测，且预测出的脑龄可作为检测衰老相关疾病的生物标志物。本文提出一种称为两阶段年龄网络（TSAN）的新型3D卷积网络，用于从T1加权MRI数据估计脑龄。与现有方法相比，TSAN具有以下改进。首先，TSAN采用两阶段级联网络架构，第一阶段网络估计粗略脑龄，随后第二阶段网络由第一阶段网络离散化后的脑龄更准确地估计脑龄。其次，据我们所知，TSAN是首个在脑龄估计中应用新颖排序损失（ranking loss）的工作，并结合传统的均方误差（MSE）损失。第三，使用密集连接路径来组合不同尺度的特征图。在 例MRI上的实验表明，TSAN可提供准确的脑龄估计，估计年龄与实际年龄间的平均绝对误差（MAE）为 ，皮尔逊相关系数（PCC）为 。此外，使用脑龄与实际年龄间的脑龄差作为生物标志物，阿尔茨海默病（AD）与轻度认知障碍（MCI）可通过支持向量机（SVM）与健康对照（HC）受试者区分。AD/HC与MCI/HC的分类AUC分别为 与 。这表明脑龄差是与痴呆风险相关的有效生物标志物，并具有早期痴呆风险筛查的潜力。代码与训练模型已发布于GitHub：https://github.com/Milan-BUAA/TSAN-brain-age-estimation。
引用
@article{arxiv.2106.03052,
title = {Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss},
author = {Jian Cheng and Ziyang Liu and Hao Guan and Zhenzhou Wu and Haogang Zhu and Jiyang Jiang and Wei Wen and Dacheng Tao and Tao Liu},
journal= {arXiv preprint arXiv:2106.03052},
year = {2021}
}
备注
Accepted by IEEE transactions on Medical Imaging, 13 pages, 6 figures