基于观测期间 BOLD 信号空间相关性的 CNN 用于阿尔茨海默病分类
图像与视频处理
2021-04-22 v1 计算机视觉与模式识别
机器学习
摘要
静息态功能磁共振图像（fMRI）常用于将患者分类为阿尔茨海默病（AD）、轻度认知障碍（MCI）或认知正常（CN）。多数方法以观测期间体素信号的时间序列相关性作为分类基础。本文中我们表明，基于时间平均信号的空间相关性进行卷积神经网络（CNN）分类，在一个包含 429 名受试者（246 名认知正常与 183 名阿尔茨海默病患者）的数据集上可达到最高 82% 的分类准确率（灵敏度 86%，特异度 80%）。对于时间平均信号值的空间相关性，我们使用以 AAL 图谱 90 个区域中心点周围体素子域。我们将子域构造为嵌入大脑的包围盒中沿希尔伯特曲线（Hilbert curve）的体素集合，并以 AAL 区域中心点作为子域种子。由希尔伯特曲线子域段构成的 90 个数组的空间相关性所得矩阵为一个对称的 90x90 矩阵，将其用于基于两种不同 CNN 网络的分类：一个 4 层 CNN 网络，使用 3x3 滤波器，输出通道分别为 4、8、16 和 32；以及一个 2 层 CNN 网络，使用 3x3 滤波器，输出通道分别为 4 和 8。我们报告并比较了这两个网络的结果。
引用
@article{arxiv.2104.10596,
title = {Using CNNs for AD classification based on spatial correlation of BOLD signals during the observation},
author = {Nazanin Beheshti and Lennart Johnsson},
journal= {arXiv preprint arXiv:2104.10596},
year = {2021}
}
备注
11 pages