厚层 MRI 小样本与弱监督下的痴呆严重程度分类
图像与视频处理
2021-03-19 v1 计算机视觉与模式识别
机器学习
摘要
通过 MR 图像中的特异性生物标志物早期检测痴呆,对主动制定支持策略起着关键作用。Fazekas 量表有助于对白质病变严重程度及由此反映的疾病进行准确量化评估。痴呆的影像学生物标志物多样且全面记录耗时。因此,任何自动提取这些生物标志物的努力都具有临床价值,同时可减少评分者间差异。为解决该问题,我们提出在厚层 MRI 真实场景下,基于视觉生物标志物即脑室周围白质(PVWM)与深部白质(DWM)改变,依据 Fazekas 量表对疾病严重程度进行分类。训练样本量少以及以整堆 MRI 分配严重程度标签形式的弱监督是主要挑战。为应对上述问题,我们开发了一种采用自监督表示学习、多示例学习及恰当预处理步骤的深度学习流程。我们使用非线性变换、局部打乱、图像修复与外补等 pretext 任务对该领域有用特征进行自监督学习。此外,以无监督方式使用注意力模型确定各 MRI 切片对预测 Fazekas 量表的相关性。我们表明,在上述设定下,相较 SOTA 方法,我们的方法在区分不同痴呆类别上具显著优越性,将 PVWM 的 macro 平均 F1-score 从 61% 提升至 76%,DWM 从 58% 提升至 69.2%。
引用
@article{arxiv.2103.10056,
title = {Dementia Severity Classification under Small Sample Size and Weak Supervision in Thick Slice MRI},
author = {Reza Shirkavand and Sana Ayromlou and Soroush Farghadani and Maedeh-sadat Tahaei and Fattane Pourakpour and Bahareh Siahlou and Zeynab Khodakarami and Mohammad H. Rohban and Mansoor Fatehi and Hamid R. Rabiee},
journal= {arXiv preprint arXiv:2103.10056},
year = {2021}
}
备注
12 pages, 5 figues