用于阿尔茨海默病预测的影像分析：接纳病理标志以指导模型架构设计
机器学习
2021-05-11 v3 图像与视频处理
机器学习
摘要
阿尔茨海默病（AD）与局部（例如脑组织萎缩）和全局脑改变（脑连接性丧失）相关，这些可通过高分辨率结构磁共振成像检测。传统上，这些改变及其与AD的关系被独立研究。在此，我们引入一种新颖、高度可扩展的方法，同时捕获病变大脑中的 和 改变。它基于一种神经网络架构，结合基于块的高分辨率3D-CNN与全局拓扑特征，评估多尺度脑组织连接性。我们的局部—全局方法取得了有竞争力的结果，对认知正常受试者和AD患者的分类平均精度得分为 （患病率 ）。
引用
@article{arxiv.2011.06531,
title = {Image analysis for Alzheimer's disease prediction: Embracing pathological hallmarks for model architecture design},
author = {Sarah C. Brüningk and Felix Hensel and Catherine R. Jutzeler and Bastian Rieck},
journal= {arXiv preprint arXiv:2011.06531},
year = {2021}
}
备注
8 pages, 1 figure, Machine Learning for Health (ML4H) at NeurIPS 2020 - Extended Abstract