基于双图注意力的解耦多实例学习用于脑龄估计
计算机视觉与模式识别
2024-09-24 v2
摘要
深度学习技术在通过分析健康个体的磁共振成像(MRI)数据准确估计脑龄方面显示出巨大潜力。然而，当前的脑龄估计方法通常直接利用整个输入图像，忽略了两点重要考虑：1) 脑老化的异质性，不同脑区可能以不同速率退化；2) 脑结构中存在与年龄无关的冗余。为了克服这些限制，我们提出了一种基于双图注意力的解耦多实例学习(DGA-DMIL)框架，用于改进脑龄估计。具体地，将3D MRI数据视为一个实例包，输入到2D卷积神经网络主干中，以捕捉MRI中独特的衰老模式。然后提出一个双图注意力聚合器，通过利用实例内和实例间关系来学习主干特征。此外，引入一个解耦分支，将年龄相关特征与年龄无关的结构表示分离，以减少冗余信息对年龄预测的干扰。为了验证所提框架的有效性，我们在两个数据集上进行了评估：UK Biobank和ADNI，共包含35,388名健康个体。我们提出的模型在估计脑龄方面表现出卓越的准确性，在UK Biobank上实现了2.12年的平均绝对误差。该结果使我们的方法相对于其他竞争性脑龄估计模型达到了最先进水平。此外，实例贡献分数识别了不同脑区对衰老预测的重要性，这为理解脑衰老提供了更深入的见解。
引用
@article{arxiv.2403.01246,
title = {Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation},
author = {Fanzhe Yan and Gang Yang and Yu Li and Aiping Liu and Xun Chen},
journal= {arXiv preprint arXiv:2403.01246},
year = {2024}
}
备注
12 pages, 9 figures