基于学习式图集块选择的基线影像演化轨迹预测与分类用于早期诊断
图像与视频处理
2019-07-16 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
已知初诊为早期轻度认知障碍（eMCI）的患者是一组临床异质性人群，其脑萎缩模式非常细微。为考察正常对照（NC）与eMCI之间的边界，磁共振成像（MRI）被广泛用作非侵入性成像方式以确定MCI患者脑影像中的细微变化。然而，eMCI研究仍受限于可用的MRI采集时间点数量。理想情况下，人们希望从单时间点获取的MRI数据中学习如何在早期诊断MCI患者，同时利用“不存在的”随访观测。为此，我们提出新颖的监督与无监督框架，学习如何联合预测并标注强度块（每个块播种于特定脑标志点）从基线强度块出发的演化轨迹。具体而言，两种策略均旨在识别基线时间点的最佳训练图集块，以预测并分类给定测试基线块的演化轨迹。监督技术通过学习从成对块相似度空间到其对应预测误差（当一个块用于预测另一个块时）的双向映射来选取最佳图集块。另一方面，无监督技术使用多核学习基线图集与测试块的流形，以在多个尺度上良好捕捉块分布。一旦选定最佳基线图集块，我们检索其演化轨迹并取平均，以预测测试基线块的演化轨迹。接着，我们将预测轨迹输入一组线性分类器集成，每个分类器在特定标志点训练。与基于单时间点的分类方法相比，我们的分类准确率提升了至多10个百分点。
引用
@article{arxiv.1907.06064,
title = {Image Evolution Trajectory Prediction and Classification from Baseline using Learning-based Patch Atlas Selection for Early Diagnosis},
author = {Can Gafuroglu and Islem Rekik},
journal= {arXiv preprint arXiv:1907.06064},
year = {2019}
}