基于高阶池化的张量化GAN用于阿尔茨海默病评估
机器学习
2020-08-04 v1 图像与视频处理
机器学习
摘要
将深度学习应用于阿尔茨海默病（AD）的早期诊断具有重要意义。本文提出一种具有高阶池化的新型张量化GAN（生成对抗网络）来评估轻度认知障碍（MCI）与AD。通过张量化基于三方合作博弈的框架，所提模型可利用大脑的结构信息。通过将高阶池化方案引入分类器，所提模型可充分利用整体磁共振成像（MRI）图像的二阶统计量。据我们所知，所提出的基于张量列、高阶池化与半监督学习的GAN（THS-GAN）是首个处理AD诊断中MRI图像分类的工作。在阿尔茨海默病神经影像倡议（ADNI）数据集上的大量实验结果表明，所提THS-GAN相比现有方法取得了更优性能，并表明张量列与高阶池化均能提升分类性能。生成样本的可视化也显示该模型可生成合理的样本以用于半监督学习。
引用
@article{arxiv.2008.00748,
title = {Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment},
author = {Wen Yu and Baiying Lei and Michael K. Ng and Albert C. Cheung and Yanyan Shen and Shuqiang Wang},
journal= {arXiv preprint arXiv:2008.00748},
year = {2020}
}
备注
15 pages, 20 figures