数据增强与三维卷积神经网络深度对阿尔茨海默病检测的影响
图像与视频处理
2023-09-15 v1 机器学习
摘要
机器学习(ML)已成为医疗保健领域一种有前景的方法，其表现优于传统统计技术。然而，要使 ML 成为临床实践中可靠的工具，严格遵守有关数据处理、实验设计和模型评估的最佳实践至关重要。本工作总结并严格遵循此类实践，以确保可复现且可靠的 ML。具体而言，我们聚焦于阿尔茨海默病(AD)检测，这是医疗保健中具挑战性问题的典型范例。我们研究了不同数据增强技术与模型复杂度对整体性能的影响。我们考虑来自 ADNI 数据集的 MRI 数据，采用三维卷积神经网络(3D CNN)解决分类问题。实验设计通过利用交叉验证和多次训练试验来弥补数据稀缺性和初始随机参数。在此框架下，我们训练了 15 个预测模型，考虑了三种不同的数据增强策略和五种不同的 3D CNN 架构，每种架构的卷积层数量不同。具体而言，增强策略基于仿射变换，如缩放、平移和旋转，这些变换同时或分别应用。数据增强与模型复杂度的联合效应导致预测性能在准确率上最多有 10% 的波动。当仿射变换分别应用时，模型更准确，且与所采用的架构无关。对于所有策略，模型准确率随卷积层数量增加呈凹形变化，在中间层数处达到峰值。最佳模型(8 个卷积层，(B))在交叉验证折和训练试验中最为稳定，在测试集和外部测试集上均达到优异性能。
引用
@article{arxiv.2309.07192,
title = {The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection},
author = {Rosanna Turrisi and Alessandro Verri and Annalisa Barla},
journal= {arXiv preprint arXiv:2309.07192},
year = {2023}
}