用于帕金森病神经影像的卷积神经网络：是否需要预处理？
计算机视觉与模式识别
2023-11-22 v1 机器学习
摘要
空间与强度归一化如今是神经影像分析的先决条件。受 voxel-wise 及其他单变量比较（这些校正至关重要）的影响，它们通常被应用于任何类型的分析与成像模态。核医学成像模态如 PET-FDG 或 FP-CIT SPECT（帕金森病诊断中常用的模态）尤其依赖强度归一化。然而，这些步骤计算昂贵，且可能在图像中引入形变，改变其所含信息。卷积神经网络（CNNs）则为模式识别引入位置不变性，并已被证明可不论物体朝向、大小、角度等对其进行分类。因此，一个问题浮现：CNN 在分析核医学脑影像时能在多大程度上解释空间与强度差异？空间与强度归一化是否仍然需要？为回答此问题，我们基于成熟架构训练了四种不同的 CNN 模型，使用或不使用不同的空间与强度归一化预处理。结果显示，如我们三维版 ALEXNET 这样足够复杂的模型可有效解释空间差异，实现 94.1% 的诊断准确率与 0.984 的 ROC 曲线下面积。通过显著图对差异的可视化表明，这些模型正确找到了与文献相符的模式，而无需应用任何复杂空间归一化流程。然而，强度归一化——及其类型——被揭示对训练模型的结果与准确率影响很大，因此必须妥善考量。
引用
@article{arxiv.2311.12561,
title = {Convolutional Neural Networks for Neuroimaging in Parkinson's Disease: Is Preprocessing Needed?},
author = {Francisco J. Martinez-Murcia and Juan M. Górriz and Javier Ramírez and Andrés Ortiz},
journal= {arXiv preprint arXiv:2311.12561},
year = {2023}
}
备注
19 pages, 7 figures