SFCNeXt：一种用于小样本下有效脑龄估计的简单全卷积网络
图像与视频处理
2023-05-31 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
深度神经网络（DNN）已被设计用于从 T1 加权磁共振图像（T1 MRIs）预测健康大脑的实足年龄，所预测的脑龄可作为发育相关或衰老相关疾病早期检测的宝贵生物标志物。近期用于脑龄估计的 DNN 模型通常过度依赖大样本量与复杂网络结构来进行多阶段特征精炼。然而，在临床应用场景中，各数据中心的研究者通常无法获得数千或数万张 MRI 以充分训练这些复杂模型。本文提出一种简单全卷积网络（SFCNeXt），用于年龄分布有偏的小规模队列中的脑龄估计。SFCNeXt 由单通路编码 ConvNeXt（SPEC）与混合排序损失（HRL）组成，旨在以轻量方式估计脑龄，并充分挖掘每批受试者的 MRI、年龄与排序特征。实验结果证明了我们方法的优越性与高效性。
引用
@article{arxiv.2305.18771,
title = {SFCNeXt: a simple fully convolutional network for effective brain age estimation with small sample size},
author = {Yu Fu and Yanyan Huang and Shunjie Dong and Yalin Wang and Tianbai Yu and Meng Niu and Cheng Zhuo},
journal= {arXiv preprint arXiv:2305.18771},
year = {2023}
}
备注
This paper has been accepted by IEEE ISBI 2023