基于多模态三维卷积神经网络的阿尔茨海默病诊断
计算机视觉与模式识别
2019-08-20 v1
摘要
阿尔茨海默病（AD）是最受关注的神经退行性疾病之一。在过去十年中，基于人工智能（AI）的诊断算法的AD诊断研究备受重视。在多种模态成像数据中，T1加权MRI与18F-FDG PET被广泛研究用于该任务。本文提出一种新颖的卷积神经网络（CNN），融合海马区周围的T1-MRI与FDG-PET图像等多模态信息以诊断AD。不同于传统机器学习算法，该方法无需手动提取特征，而是利用先进的3D图像处理CNN学习特征用于AD的诊断与预后。为验证所提网络性能，我们使用ADNI数据集中的配对T1-MRI与FDG-PET图像训练分类器，包括731名正常（NL）受试者、647名AD受试者、441名稳定型MCI（sMCI）受试者和326名进展型MCI（pMCI）受试者。我们在NL/AD任务中取得90.10%的最高准确率，NL/pMCI任务中为87.46%，sMCI/pMCI任务中为76.90%。所提框架取得了与最先进方法相当的结果。此外，实验结果表明：（1）使用CNN无需以分割为前提；（2）海马区提供了充足信息以为AD诊断提供参考。关键词：阿尔茨海默病，多模态，图像分类，CNN，深度学习，海马
引用
@article{arxiv.1902.09904,
title = {Diagnosis of Alzheimer's Disease via Multi-modality 3D Convolutional Neural Network},
author = {Yechong Huang and Jiahang Xu and Yuncheng Zhou and Tong Tong and Xiahai Zhuang and the Alzheimer's Disease Neuroimaging Initiative},
journal= {arXiv preprint arXiv:1902.09904},
year = {2019}
}
备注
21 pages, 5 figures, 9 tables