利用卷积神经网络从 MRI 检测阿尔茨海默病：探索迁移学习与 BellCNN
图像与视频处理
2019-01-30 v1 计算机视觉与模式识别
机器学习
摘要
存在从医学图像自动诊断某些疾病的需求，可辅助医疗从业者进一步评估以治疗疾病。阿尔茨海默病是一个常被误诊的疾病的良好范例。阿尔茨海默病（以下简称 AD）由特定脑区萎缩及脑细胞死亡引起，是痴呆与记忆丧失的主因 [1]。MRI 扫描揭示此信息，但萎缩区域因人而异，使诊断更为棘手且常被误诊 [1, 13]。我们相信针对该问题的此方法可通过预标记更可能患有 AD 的图像来提升评估质量。我们提出两种解决方案：一种采用迁移学习 [9]，另一种采用 BellCNN [14]（一种定制的卷积神经网络，以下简称 CNN）。各方法的优劣亦在相应章节讨论。本项目所用数据集由 Open Access Series of Imaging Studies（以下简称 OASIS）[2, 3, 4] 提供，含 400 余名受试者，其中 100 名患有轻度至重度痴呆。数据集依两种诊断标准标记受试者：简易精神状态检查（以下简称 MMSE）与临床痴呆评定量表（以下简称 CDR）。以下为我们的解决方案所需的通用工具与概念：CNN [5, 6]、神经网络 [10]（以下简称 NN）、Python 的 Anaconda 集成包、回归、Tensorflow [7]。关键词：阿尔茨海默病、卷积神经网络、BellCNN、图像识别、机器学习、MRI、OASIS、Tensorflow
引用
@article{arxiv.1901.10231,
title = {Detection of Alzheimers Disease from MRI using Convolutional Neural Networks, Exploring Transfer Learning And BellCNN},
author = {GuruRaj Awate},
journal= {arXiv preprint arXiv:1901.10231},
year = {2019}
}
备注
IEEE Conference, Intended for non-technical audiences