用于认知衰退预测的多模态神经影像注意力架构
图像与视频处理
2024-01-17 v1 人工智能
摘要
阿尔茨海默病（AD）的早期检测对于确保早期治疗和改善患者预后至关重要。因此，已有大量研究致力于检测 AD 及其中间阶段——轻度认知障碍（MCI）。然而，关于从正常认知状态预测向 AD 和 MCI 转化的文献非常少。最近，多项研究应用了卷积神经网络（CNN），整合磁共振成像（MRI）和正电子发射断层扫描（PET）来对 MCI 和 AD 进行分类。然而，在这些工作中，MRI 和 PET 特征的融合仅通过拼接实现，导致缺乏跨模态交互。本文提出了一种新颖的多模态神经影像基于注意力的 CNN 架构，MNA-net，用于预测认知正常（CN）个体是否会在 10 年内发展为 MCI 或 AD。为解决以往工作中神经影像模态间缺乏交互的问题，MNA-net 利用注意力机制形成 MRI 和 PET 图像的共享表示。所提出的 MNA-net 在 OASIS-3 数据集上进行了测试，能够预测转化为 MCI 或 AD 的 CN 个体，准确率为 83%，真阴性率为 80%，真阳性率为 86%。通过使用注意力机制，准确率和真阴性率分别提高了 5% 和 10%，达到了新的最优结果。这些结果证明了所提出模型在预测认知障碍方面的潜力，以及基于注意力的机制在融合不同神经影像模态以改善认知衰退预测方面的作用。
引用
@article{arxiv.2401.06777,
title = {Multimodal Neuroimaging Attention-Based architecture for Cognitive Decline Prediction},
author = {Jamie Vo and Naeha Sharif and Ghulam Mubashar Hassan},
journal= {arXiv preprint arXiv:2401.06777},
year = {2024}
}