基于迁移学习与加权损失的卷积神经网络用于阿尔茨海默病分类
图像与视频处理
2022-07-05 v1 计算机视觉与模式识别
摘要
阿尔茨海默病是一种进行性神经退行性疾病，会逐渐剥夺患者的认知功能并可能导致死亡。随着当今技术的发展，通过磁共振成像（MRI）扫描检测阿尔茨海默病已成为可能。因此，MRI 是最常用于阿尔茨海默病诊断与进展分析的技术。借助该技术，利用机器学习可实现阿尔茨海默病早期诊断是图像识别的自动化。尽管机器学习具有诸多优势，但目前深度学习的应用更为广泛，因其具有更强的学习能力且更适用于解决图像识别问题。然而，实施深度学习仍面临若干挑战，例如需要大规模数据集、耗费大量计算资源，以及需谨慎设置参数以防止过拟合或欠拟合。为应对使用深度学习分类阿尔茨海默病的挑战，本研究提出采用残差网络18层（ResNet-18）架构的卷积神经网络（CNN）方法。为克服对大规模平衡数据集的需求，使用了来自 ImageNet 的迁移学习，并对损失函数值进行加权，使每个类别具有相同权重。此外，本研究通过将网络激活函数改为 mish 激活函数来开展实验以提高准确率。根据已进行的测试结果，使用迁移学习、加权损失及 mish 激活函数的模型准确率为 88.3%。该准确率较仅达 69.1% 准确率的基线模型有所提升。
引用
@article{arxiv.2207.01584,
title = {Classification of Alzheimer's Disease Using the Convolutional Neural Network (CNN) with Transfer Learning and Weighted Loss},
author = {Muhammad Wildan Oktavian and Novanto Yudistira and Achmad Ridok},
journal= {arXiv preprint arXiv:2207.01584},
year = {2022}
}