VoxelHop：基于连续子空间学习的肌萎缩侧索硬化症结构MRI分类
图像与视频处理
2021-01-14 v1 计算机视觉与模式识别
摘要
深度学习在利用医学影像数据准确检测和分类疾病方面具有巨大潜力，但其性能常受训练数据集数量和内存需求的限制。此外，许多深度学习模型被视为“黑盒”，从而常常限制了它们在临床应用中的采用。为此，我们提出一种称为VoxelHop的连续子空间学习模型，用于利用T2加权结构MRI数据对肌萎缩侧索硬化症（ALS）进行准确分类。与流行的卷积神经网络（CNN）架构相比，VoxelHop具有模块化且透明的结构，参数更少且无需任何反向传播，因此非常适用于小数据集规模和3D影像数据。我们的VoxelHop包含四个关键组件，包括：(1) 对多通道3D数据的近到远邻域的顺序扩展；(2) 用于无监督降维的子空间近似；(3) 用于有监督降维的标签辅助回归；以及 (4) 特征拼接与对照组和患者之间的分类。我们的实验结果表明，即便使用相对较少的数据集（共20名对照和26名患者），我们的框架在区分患者与对照时达到了93.48%的准确率和0.9394的AUC分数，显示出其鲁棒性和有效性。我们全面的评估也显示了其相对于最先进3D CNN分类方法的有效性和优越性。我们的框架可轻松推广到使用不同成像模态的其他分类任务。
引用
@article{arxiv.2101.05131,
title = {VoxelHop: Successive Subspace Learning for ALS Disease Classification Using Structural MRI},
author = {Xiaofeng Liu and Fangxu Xing and Chao Yang and C. -C. Jay Kuo and Suma Babu and Georges El Fakhri and Thomas Jenkins and Jonghye Woo},
journal= {arXiv preprint arXiv:2101.05131},
year = {2021}
}