基于智能训练数据选择的迁移学习用于阿尔茨海默病预测
计算机视觉与模式识别
2019-06-05 v1 机器学习
摘要
近年来，通过机器学习从 MRI 等神经影像数据中检测阿尔茨海默病（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，且需要仔细优化深度网络的架构。本文中，我们尝试用迁移学习解决这些问题：将最先进的 VGG 架构用由自然图像组成的大型基准数据集上的预训练权重初始化，然后通过逐层微调在网络上仅对预定义的一组层用 MRI 图像训练。为缩减训练数据规模，我们采用图像熵选择信息量最大的切片。通过在 ADNI 数据集上的实验，我们表明：在训练规模比其他同期方法小 10 至 20 倍的情况下，我们在 AD vs. NC、AD vs. MCI 和 MCI vs. NC 分类问题上达到了最先进的性能，相较于最先进水平在 AD vs. MCI 和 MCI vs. NC 上准确率分别提升 4% 和 7%。我们还详细分析了智能训练数据选择方法、改变训练规模以及改变微调层数的影响。最后，我们提供类激活图（CAM），展示所提模型如何聚焦于具有神经病理学意义的判别性图像区域，并可帮助医疗从业者解释模型的决策过程。
引用
@article{arxiv.1906.01160,
title = {Transfer Learning with intelligent training data selection for prediction of Alzheimer's Disease},
author = {Naimul Mefraz Khan and Marcia Hon and Nabila Abraham},
journal= {arXiv preprint arXiv:1906.01160},
year = {2019}
}
备注
Accepted to IEEE Access