通过迁移学习实现阿尔茨海默病分类
计算机视觉与模式识别
2017-12-01 v1
摘要
近年来，从 MRI 等神经影像数据中通过机器学习检测阿尔茨海默病（AD）一直是研究热点。深度学习在计算机视觉中的近期成功进一步推进了此类研究。然而，这类算法的常见局限在于依赖大量训练图像，且需仔细优化深度网络架构。本文中，我们尝试用迁移学习解决这些问题：将 VGG 和 Inception 等最先进架构用来自包含自然图像的大型基准数据集的预训练权重初始化，并仅用少量 MRI 图像重新训练全连接层。我们采用图像熵选取信息量最大的切片用于训练。在 OASIS MRI 数据集上的实验表明，训练规模几乎比最先进水平小 10 倍的情况下，我们达到了可与当前基于深度学习的方法相比甚至更优的性能。
引用
@article{arxiv.1711.11117,
title = {Towards Alzheimer's Disease Classification through Transfer Learning},
author = {Marcia Hon and Naimul Khan},
journal= {arXiv preprint arXiv:1711.11117},
year = {2017}
}
备注
Presented at IEEE BIBM 2017