用于帕金森病分期预测的三维脑图像多类分类的深度卷积神经网络
机器学习
2025-01-22 v2 人工智能
摘要
帕金森病（PD）是一种中枢神经系统的退行性疾病，通常使用功能性医学成像技术如单光子发射计算机断层扫描（SPECT）进行诊断。在本研究中，我们利用来自不同医院的两个 SPECT 数据集（n = 634 和 n = 202）来开发一个能够准确预测 PD 分期的模型，这是一个多类分类任务。我们使用完整的三维（3D）脑图像作为输入，并尝试了多种模型架构。最初，我们将 3D 图像视为二维（2D）切片序列，并将其顺序输入到在 ImageNet 上预训练的 2D 卷积神经网络（CNN）模型中，通过对输出取平均来获得最终预测分期。我们还应用了在 Kinetics-400 上预训练的 3D CNN 模型。此外，我们引入了注意力机制，以考虑不同切片在预测过程中的不同重要性。为了进一步增强模型的有效性和鲁棒性，我们使用权重共享技术（即协同训练）同时训练两个数据集。结果表明，在 ImageNet 上预训练的 2D 模型优于在 Kinetics-400 上预训练的 3D 模型，并且利用注意力机制的模型优于 2D 和 3D 模型。当协同训练数据集足够大时，协同训练技术被证明能有效提高模型性能。
引用
@article{arxiv.2410.23649,
title = {Deep Convolutional Neural Networks on Multiclass Classification of Three-Dimensional Brain Images for Parkinson's Disease Stage Prediction},
author = {Guan-Hua Huang and Wan-Chen Lai and Tai-Been Chen and Chien-Chin Hsu and Huei-Yung Chen and Yi-Chen Wu and Li-Ren Yeh},
journal= {arXiv preprint arXiv:2410.23649},
year = {2025}
}
备注
38 pages, 7 figures, and 4 tables. This paper has been accepted for publication in Journal of Imaging Informatics in Medicine