基于切片集合网络改进的脑龄估计
图像与视频处理
2021-02-10 v2 机器学习
定量方法
摘要
用于神经影像数据的深度学习是一个有前景但具挑战性的方向。3D MRI 扫描的高维度使这一尝试计算密集且数据密集。大多数传统的 3D 神经影像方法使用基于 3D-CNN 的架构，其参数量大，需要更多时间和数据来训练。近来，基于 2D 切片的模型受到越来越多的关注，因为它们参数更少，并可能仅需更少样本即可达到相当的性能。在本文中，我们提出了一种用于 BrainAGE 预测的新架构。所提架构先用深度 2D-CNN 模型对 MRI 中的每个 2D 切片进行编码，随后使用集合网络或置换不变层来融合这些 2D 切片编码中的信息。在使用 UK Biobank 数据集的 BrainAGE 预测问题上进行的实验表明，带有置换不变层的模型比其他最先进的方法训练更快且预测更好。
引用
@article{arxiv.2102.04438,
title = {Improved Brain Age Estimation with Slice-based Set Networks},
author = {Umang Gupta and Pradeep K. Lam and Greg Ver Steeg and Paul M. Thompson},
journal= {arXiv preprint arXiv:2102.04438},
year = {2021}
}
备注
To appear at IEEE International Symposium on Biomedical Imaging 2021 (ISBI 2021). Code is available at https://git.io/JtazG