基于大规模合成神经影像数据集的3D卷积神经网络阿尔茨海默病分类的自监督预文本任务
图像与视频处理
2024-06-21 v1 计算机视觉与模式识别
机器学习
摘要
结构磁共振成像（MRI）研究表明，阿尔茨海默病（AD）可导致脑部局部及广泛神经退行性变。然而，缺乏突出脑部退行性变的分割掩盖了基于CNN分类器的监督式训练的独特挑战。本文评估了几种无监督方法，用于训练下游AD vs. CN分类的特征提取器。使用来自合成神经影像LDM100K数据集中认知正常（CN）主体的3D T1加权MRI数据，我们训练了轻量级3D CNN模型进行脑龄预测、脑图像旋转分类、脑图像重建以及一种将所有三个任务组合为一个多头任务。使用LDM100K合成数据集训练的特征提取器的性能与使用真实数据相同模型相当。这一结果支持了利用大规模合成数据进行预文本任务训练的可行性。所有训练和测试划分均按主体水平进行，以防止数据泄漏问题。除了简单的预处理步骤之外，随机裁剪数据增强技术在所有实验中均显示出一致的改进。
引用
@article{arxiv.2406.14210,
title = {Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset},
author = {Chen Zheng},
journal= {arXiv preprint arXiv:2406.14210},
year = {2024}
}