基于迁移学习与类别分解的阿尔茨海默病认知衰退检测
计算机视觉与模式识别
2023-02-01 v1 人工智能
摘要
阿尔茨海默病（AD）的早期诊断对于阻止疾病进展至关重要。因此，从结构磁共振成像（sMRI）等神经影像数据中检测 AD 近年来成为研究热点。深度学习在阿尔茨海默病检测中获得了相当多的关注。然而，从头训练卷积神经网络具有挑战性，因为它需要更多的计算时间以及大量标注数据。通过将其他图像识别任务中学到的知识迁移到医学图像分类，迁移学习可提供有前景且有效的解决方案。数据集分布的不规则性带来了另一困难。类别分解可通过简化数据集类别边界的学习来解决此问题。受这些方法的启发，本文提出一种使用类别分解的迁移学习方法，从 sMRI 图像中检测阿尔茨海默病。我们使用两种在 ImageNet 上预训练的架构：VGG19 和 ResNet50，以及一种基于熵的技术来确定信息量最大的图像。所提模型在阿尔茨海默病（AD） vs 轻度认知障碍（MCI） vs 认知正常（CN）分类任务中取得了最先进的性能，准确率较文献报道提高了 3%。
引用
@article{arxiv.2301.13504,
title = {Transfer Learning and Class Decomposition for Detecting the Cognitive Decline of Alzheimer Disease},
author = {Maha M. Alwuthaynani and Zahraa S. Abdallah and Raul Santos-Rodriguez},
journal= {arXiv preprint arXiv:2301.13504},
year = {2023}
}
备注
12 pages, 3 figures