利用神经影像数据的空间同质性：面向 CNN 的块独立滤波器层
计算机视觉与模式识别
2020-07-24 v1 机器学习
定量方法
摘要
神经影像数据（例如通过磁共振成像（MRI）获得的数据）具有相对同质性，原因在于（1）大脑结构均匀，以及（2）使用线性和非线性变换将数据进行空间标准化以配准至标准模板的额外工作。相比之下，卷积神经网络（CNNs）通过在不同位置滑动卷积滤波器，专为高度异构的数据（如自然图像）而设计。在此，我们提出一种新的 CNN 架构，将神经网络中的层次抽象思想与神经影像数据空间同质性的先验相结合：早期层使用标准卷积层进行全局训练，而对于更高、更抽象的层，我们引入块独立滤波器（PIF）。通过在不共享权重的情况下于各个图像区域（块）中学习滤波器，PIF 层能够更快且以更少样本学习抽象特征。我们在三个不同任务与数据集上深入评估了 PIF 层，即 UK Biobank 数据的性别分类、ADNI 数据的阿尔茨海默病检测以及私有医院数据的多发性硬化检测。我们证明，使用 PIF 层的 CNN 可获得更高准确率，尤其在少样本设定下，且需要更少的训练轮数即可收敛。据我们所知，这是首项针对 CNN 学习引入脑 MRI 先验的研究。
引用
@article{arxiv.2007.11899,
title = {Harnessing spatial homogeneity of neuroimaging data: patch individual filter layers for CNNs},
author = {Fabian Eitel and Jan Philipp Albrecht and Martin Weygandt and Friedemann Paul and Kerstin Ritter},
journal= {arXiv preprint arXiv:2007.11899},
year = {2020}
}