基于层级图卷积从正电子发射断层成像预测阿尔茨海默病
机器学习
2021-03-24 v1 图像与视频处理
机器学习
摘要
基于影像的阿尔茨海默病（AD）早期诊断已成为一种有效方法，特别是利用正电子发射断层扫描（PET）等核医学影像技术。已有诸多文献发现，PET 图像可更好地建模为定义在网络（非欧几里得）结构上的信号（例如 florbetapir 摄取），该结构由其病理进展和代谢连接的底层图模式所支配。为有效应用深度学习框架分析 PET 图像以克服其在欧几里得网格上的局限，我们开发了一种在广义的基于图的 CNN 架构（PETNet）下进行 3D PET 图像表示与分析的方案，该架构分析定义于群体推断图结构上的 PET 信号。PETNet 中的计算定义于非欧几里得图（网络）域，其通过在图上的谱滤波信号进行卷积操作以及基于层级图聚类的池化操作来实现特征提取。PETNet 的有效性在阿尔茨海默病神经影像倡议（ADNI）数据集上得到评估，其表现出优于深度学习和其它基于机器学习方法的性能。
引用
@article{arxiv.1910.00185,
title = {Predicting Alzheimer's Disease by Hierarchical Graph Convolution from Positron Emission Tomography Imaging},
author = {Jiaming Guo and Wei Qiu and Xiang Li and Xuandong Zhao and Ning Guo and Quanzheng Li},
journal= {arXiv preprint arXiv:1910.00185},
year = {2021}
}
备注
Jiaming Guo, Wei Qiu and Xiang Li contribute equally to this work