基于 MRI 的多任务解耦学习用于阿尔茨海默病检测与 MMSE 分数预测：多中心验证
图像与视频处理
2023-07-10 v3 计算机视觉与模式识别
摘要
通过磁共振成像（MRI）准确检测阿尔茨海默病（AD）并预测简易精神状态检查（MMSE）分数是老年健康中的重要任务。以往针对这两项任务的方法多基于单任务学习，很少考虑它们之间的相关性。由于 MMSE 分数作为 AD 诊断的重要依据，也能反映认知障碍的进展，一些研究已开始将多任务学习方法应用于这两项任务。然而，如何利用特征相关性对这些方法仍具挑战性。为全面应对该挑战，我们提出一种基于 MRI 的多任务解耦学习方法用于 AD 检测与 MMSE 分数预测。首先，提出一个多任务学习网络来实现 AD 检测与 MMSE 分数预测，通过在两个任务的骨干网络之间添加三个多任务交互层来利用特征相关性。每个多任务交互层包含两个特征解耦模块和一个特征交互模块。此外，为增强特征解耦模块所选特征在任务间的泛化能力，我们提出由特征一致性损失约束的特征解耦模块。最后，为利用 MMSE 分数在不同组中的特定分布信息，提出分布损失以进一步增强模型性能。我们在多中心数据集上评估所提方法。实验结果表明，我们的多任务解耦表示学习方法取得了良好性能，优于单任务学习及其他现有最先进方法。
引用
@article{arxiv.2204.01708,
title = {MRI-based Multi-task Decoupling Learning for Alzheimer's Disease Detection and MMSE Score Prediction: A Multi-site Validation},
author = {Xu Tian and Jin Liu and Hulin Kuang and Yu Sheng and Jianxin Wang and The Alzheimer's Disease Neuroimaging Initiative},
journal= {arXiv preprint arXiv:2204.01708},
year = {2023}
}
备注
There are some misstatements in the related work section of the paper. In the methods section, there are also errors in the description of some modules