SF2Former：基于空间与频率融合 Transformer 的多中心 MRI 数据肌萎缩侧索硬化识别
图像与视频处理
2023-08-29 v2 计算机视觉与模式识别
机器学习
摘要
肌萎缩侧索硬化（ALS）是一种涉及运动神经元变性的复杂神经退行性疾病。大量研究已开始确立脑磁共振成像（MRI）作为诊断和监测疾病状态的潜在生物标志物。深度学习已发展成为计算机视觉中一类突出的机器学习程序，并成功用于解决多样的医学图像分析任务。然而，由于与病理特征相关的结构性改变不显著，应用于神经影像的基于深度学习的方法在从健康对照中分类 ALS 患者方面未取得优越性能。因此，深度模型的关键挑战在于以有限训练数据确定有用的判别特征。通过利用图像特征的长程关系，本研究引入名为 SF2Former 的框架，其借助视觉 Transformer 架构的能力来区分 ALS 受试者与对照组。为进一步提升网络性能，因 MRI 扫描在转换至空间域前于频率域捕获，故将空间与频率域信息结合。所提框架以一组连续冠状位 2D 切片训练，通过迁移学习使用 ImageNet 上的预训练权重。最后，对特定受试者的那些冠状位切片采用多数投票方案以产生最终分类决策。我们提出的架构已使用加拿大 ALS 神经影像联盟（CALSNIC）多中心数据集的两个精心组织版本，以多模态神经影像数据进行了全面评估。实验结果表明，相较于若干流行的基于深度学习的技术，我们所提策略在分类精度上具优越性。
引用
@article{arxiv.2302.10859,
title = {SF2Former: Amyotrophic Lateral Sclerosis Identification From Multi-center MRI Data Using Spatial and Frequency Fusion Transformer},
author = {Rafsanjany Kushol and Collin C. Luk and Avyarthana Dey and Michael Benatar and Hannah Briemberg and Annie Dionne and Nicolas Dupré and Richard Frayne and Angela Genge and Summer Gibson and Simon J. Graham and Lawrence Korngut and Peter Seres and Robert C. Welsh and Alan Wilman and Lorne Zinman and Sanjay Kalra and Yee-Hong Yang},
journal= {arXiv preprint arXiv:2302.10859},
year = {2023}
}
备注
17 pages, 8 figures