利用雅可比图进行早晚期多模态数据融合诊断阿尔茨海默病
计算机视觉与模式识别
2023-10-31 v2 机器学习
摘要
阿尔茨海默病（AD）是一种普遍且致残的神经退行性疾病，影响着大量老龄人口。在所有前症状和症状阶段检测AD对于早期干预和治疗至关重要。一个活跃的研究方向是探索利用多模态数据融合的机器学习方法，以超越人工对医学扫描的检查。然而，现有的多模态融合模型存在局限性，包括冗余计算、复杂架构以及对缺失数据的简单处理。此外，医学扫描的预处理流程仍不够详尽，且很少针对个体受试者进行优化。在本文中，我们提出了一种高效的早晚期融合（ELF）方法，其利用卷积神经网络进行自动特征提取，并利用随机森林在小数据集上的竞争优势性能。此外，我们引入了一种鲁棒的预处理流程，该流程适应个体受试者的独特特征，并使用全脑图像而非切片或块。而且，为应对检测脑体积细微变化的挑战，我们将图像变换到雅可比域（JD）以增强分类的准确性和鲁棒性。使用来自OASIS-3数据集的MRI和CT图像，我们的实验证明了ELF方法在将AD分类为四个阶段时的有效性，准确率达97.19%。
引用
@article{arxiv.2310.16936,
title = {Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion with Jacobian Maps},
author = {Yasmine Mustafa and Tie Luo},
journal= {arXiv preprint arXiv:2310.16936},
year = {2023}
}
备注
To be published in Proceedings of 2023 IEEE Healthcom, December 2023