基于协方差的神经影像测度的多尺度表征学习用于阿尔茨海默病分类

在深度神经网络中堆叠过多层会导致训练样本有限时系统高度欠定，这在医学应用中很常见。为此，我们提出了一种能够派生高效高维空间且模型规模合理增加的框架。这通过利用一种转换（即卷积）来实现，其中结合了尺度空间理论和协方差结构。该模型在该转换上进行训练，并联合下游分类器（即全连接层），以捕获原始数据对应于双空间中特定任务成分的最优多尺度表征。在阿尔茨海默病神经影像计划（ADNI）研究的神经影像测度上进行的实验表明，我们的模型即使在模型规模显著减小的情况下，也比传统模型更好且收敛更快。经过训练的模型通过对多尺度转换上的梯度信息进行可解释化处理，以描绘出针对个体化的阿尔茨海默病特异性脑区。