用于脑疾病诊断的连接样式引导上下文表示学习
图像与视频处理
2023-06-09 v1 计算机视觉与模式识别
摘要
结构磁共振成像(sMRI)已显示出巨大的临床价值，并广泛用于基于深度学习(DL)的计算机辅助脑疾病诊断。以往方法聚焦于sMRI中的局部形状和纹理，这些可能仅在特定域内显著。所学表示很可能包含虚假信息，且在其他疾病和数据集上泛化能力较差。为促进捕获有意义且鲁棒的特征，有必要首先全面理解不限于单一数据/任务域的内在脑模式。考虑到大脑是一个相互链接神经元的复杂连接组，脑中的连接属性具有强生物学意义，其跨多个域共享并覆盖大多数病理信息。在本工作中，我们提出一种连接样式上下文表示学习模型(CS-CRL)来捕获脑的内在模式，用于多种脑疾病诊断。具体而言，它有一个视觉Transformer(ViT)编码器，并利用掩码重建作为代理任务以及Gram矩阵来引导连接信息的表示。它促进全局上下文的捕获和具有生物学合理性的特征聚合。结果表明，CS-CRL在六个数据集和三种疾病的多种脑疾病诊断任务中取得了优越精度，并优于最先进模型。此外，我们证明CS-CRL捕获了更多类脑网络属性，更好地聚合特征，更易优化且对噪声更鲁棒，这从理论上解释了其优越性。我们的源代码将很快发布。
引用
@article{arxiv.2306.05297,
title = {Connectional-Style-Guided Contextual Representation Learning for Brain Disease Diagnosis},
author = {Gongshu Wang and Ning Jiang and Yunxiao Ma and Tiantian Liu and Duanduan Chen and Jinglong Wu and Guoqi Li and Dong Liang and Tianyi Yan},
journal= {arXiv preprint arXiv:2306.05297},
year = {2023}
}