利用可解释的 3D 混合紧凑卷积 Transformer 增强 MRI 阿尔茨海默病分类
图像与视频处理
2024-10-01 v1 计算机视觉与模式识别
摘要
阿尔茨海默病以进行性认知衰退和记忆丧失为特征，构成了严峻的全球健康挑战，突显了早期精确诊断对于及时干预和改善患者预后的关键重要性。虽然 MRI 扫描为脑结构提供了有价值的见解，但传统分析方法通常难以识别对 AD 识别至关重要的复杂 3D 模式。为应对这一挑战，我们引入了一种替代性的端到端深度学习模型，即 3D 混合紧凑卷积 Transformer (3D HCCT)。通过协同结合卷积神经网络 (CNN) 和视觉 Transformer (ViT)，3D HCCT 能够熟练地捕获 3D MRI 扫描中的局部特征和长程关系。在著名的 AD 基准数据集 ADNI 上的广泛评估表明，3D HCCT 具有优越的性能，在分类准确率上超越了最先进的 CNN 和基于 Transformer 的方法。其强大的泛化能力和可解释性标志着 3D MRI 扫描 AD 分类迈出了重要一步，有望提供更准确可靠的诊断，从而改善患者护理和获得更佳的临床结果。
引用
@article{arxiv.2403.16175,
title = {Enhancing MRI-Based Classification of Alzheimer's Disease with Explainable 3D Hybrid Compact Convolutional Transformers},
author = {Arindam Majee and Avisek Gupta and Sourav Raha and Swagatam Das},
journal= {arXiv preprint arXiv:2403.16175},
year = {2024}
}
备注
8 pages, 4 figures