病理区域定位与阿尔茨海默病诊断的深度联合学习
人工智能
2021-08-11 v1
摘要
使用结构磁共振成像（MRI）识别阿尔茨海默病（AD）及其早期阶段一直吸引着研究者的关注。已经引入了各种数据驱动方法来捕捉伴随疾病进展的大脑细微和局部形态变化。捕捉细微变化的典型方法之一是块级特征表示。然而，预先确定的提取块区域会阻碍潜在生物标志物的探索，从而限制分类性能。此外，现有的块级分析难以解释其决策过程。为了解决这些问题，我们提出了带有基于位置的门的 BrainBagNet（PG-BrainBagNet），这是一个以端到端方式联合学习病理区域定位和 AD 诊断的框架。此外，由于在图像处理中所有扫描图像都对齐到模板，大脑图像的位置可以通过所有 MRI 扫描共享的 3D 笛卡尔空间来表示。所提出的方法表示来自全脑 MRI 扫描的块级响应和来自位置信息的判别性大脑区域。基于这些结果，计算块级类别证据，然后通过透明的聚合推断图像级预测。所提出的模型在 ADNI 数据集上进行了评估。在五折交叉验证中，所提出方法的分类性能在 AD 诊断（AD 对比正常对照）和轻度认知障碍（MCI）转化预测（进行性 MCI 对比稳定 MCI）任务中均优于 state-of-the-art 方法。此外，还展示并分析了根据用于模型训练的块大小而变化的已识别判别区域和块级类别证据。
引用
@article{arxiv.2108.04555,
title = {Deep Joint Learning of Pathological Region Localization and Alzheimer's Disease Diagnosis},
author = {Changhyun Park and Heung-Il Suk},
journal= {arXiv preprint arXiv:2108.04555},
year = {2021}
}
备注
31 pages, 9 figures