基于脑MRI的3D卷积神经网络用于精神分裂症与对照的分类
计算机视觉与模式识别
2020-03-20 v1 机器学习
图像与视频处理
摘要
卷积神经网络（CNN）已成功应用于自然图像与医学图像的分类，但尚未用于区分精神分裂症患者与健康对照。鉴于精神分裂症轻微、混杂且稀疏分布的脑萎缩模式，自动特征学习的能力使CNN成为分类精神分裂症与对照的有力工具，因其消除了选择相关空间特征中的主观性。为检验基于结构磁共振成像（MRI）应用CNN分类精神分裂症与对照的可行性，我们构建了不同架构的3D CNN模型，并将其性能与基于手工特征机器学习方法比较。支持向量机（SVM）用作分类器，基于体素的形态学分析（VBM）用作手工特征机器学习特征。具序列架构、Inception模块与残差模块的3D CNN模型从零训练。CNN模型取得比手工特征机器学习更高的交叉验证准确率。此外，在独立数据集上测试时，3D CNN模型大幅优于手工特征机器学习。本研究强调了CNN利用3D脑MR图像识别精神分裂症患者的潜力，并为精神疾病的基于影像的个体水平诊断与预后铺平道路。
引用
@article{arxiv.2003.08818,
title = {Brain MRI-based 3D Convolutional Neural Networks for Classification of Schizophrenia and Controls},
author = {Mengjiao Hu and Kang Sim and Juan Helen Zhou and Xudong Jiang and Cuntai Guan},
journal= {arXiv preprint arXiv:2003.08818},
year = {2020}
}
备注
4 PAGES