NeuroAPS-Net: 面向高效阿尔茨海默病分类的神经解剖感知点云表示
计算机视觉与模式识别
2026-04-28 v1 人工智能
摘要
阿尔茨海默病 (Alzheimer's disease, AD) 是一种渐进性神经退行性疾病，为痴呆的主要原因。结构 MRI 广泛用于分析 AD 相关脑萎缩，但大多数深度学习方法依赖计算昂贵的 3D 卷积神经网络 (CNN)，限制了在资源受限环境中的部署。本工作提出两项主要贡献：首先，我们提出一种将 T1 加权 MRI 转换为解剖感知 2D 点云的 pipeline，采用解剖优先抽样 (Anatomical Priority Sampling, APS) 方法，构建了首个神经解剖标记的 MRI 派生点云数据集 ADNI-2DPC。其次，我们提出 NeuroAPS-Net，一种轻量级几何深度学习模型，通过区域感知特征编码和 ROI token 汇聚集成解剖先验。在 ADNI-2DPC 上的实验表明，NeuroAPS-Net 在分类准确率方面与最先进的点云方法持水平，同时显著降低了推理延迟和 GPU 内存占用。这些结果凸显了解剖引导点云学习作为基于体素的 CNN 用于 AD 分类的高效且可解释的替代方案的潜力。
关键词
引用
@article{arxiv.2604.22883,
title = {NeuroAPS-Net: Neuro-Anatomically Aware Point Cloud Representation for Efficient Alzheimer's Disease Classification},
author = {Towhidul Islam and Mufti Mahmud},
journal= {arXiv preprint arXiv:2604.22883},
year = {2026}
}
备注
6 pages, 3 figures, Accepted under IJCNN 2026