学习基于 MRI 的阿尔茨海默病分类的深度卷积特征
计算机视觉与模式识别
2014-04-29 v2
摘要
阿尔茨海默病 (AD) 或轻度认知障碍 (MCI) 的有效且准确诊断对于早期治疗至关重要，因此如今吸引了越来越多的关注。自从首次引入以来，机器学习方法在 AD 相关研究中越来越受欢迎。在各种已识别的生物标志物中，磁共振成像 (MRI) 被广泛用于预测 AD 或 MCI。然而，在应用机器学习算法之前，需要提取图像特征来表示 MRI 图像。虽然良好的表示对分类性能至关重要，但几乎所有先前的研究通常依赖于人工标记来寻找可能与 AD 相关的感兴趣区域 (ROI)，如海马体、杏仁核、楔前叶等。此过程需要领域知识，且成本高昂且繁琐。与其依赖 ROI 特征提取，更有前景的方法是从流程中移除人工 ROI 标记，直接处理原始 MRI 图像。换句话说，我们可以让机器学习方法找出用于 AD 分类的这些信息丰富且具有判别力的图像结构。在这项工作中，我们提议使用无监督和 supervised 学习来学习深度卷积图像特征。深度学习已成为机器学习社区中的强大工具，并已成功应用于各种任务。因此，我们提议利用基于预训练大型卷积神经网络 (CNN) 的 MRI 图像深度特征进行 AD 和 MCI 分类，从而省去了人工 ROI 标注工作。
引用
@article{arxiv.1404.3366,
title = {Learning Deep Convolutional Features for MRI Based Alzheimer's Disease Classification},
author = {Fayao Liu and Chunhua Shen},
journal= {arXiv preprint arXiv:1404.3366},
year = {2014}
}
备注
This paper has been withdrawn by the author due to an error in the MRI data used in the experiments