通过对比扩散自编码器进行可解释的阿尔茨海默病分类

Jun, 2023

通过对比扩散自编码器进行可解释的阿尔茨海默病分类

Interpretable Alzheimer's Disease Classification Via a Contrastive Diffusion Autoencoder

Ayodeji Ijishakin, Ahmed Abdulaal, Adamos Hadjivasiliou, Sophie Martin, James Cole

TL;DR通过对潜空间内的图像与训练样例的相似性进行分类，本文探究基于原型例子的类别推理方法在深度学习模型中的应用，成功应用于医学图像学领域，提高了深度学习模型的可解释性。

Abstract

In visual object classification, humans often justify their choices by comparing objects to prototypical examples within that class. We may therefore increase the interpretability of deep learning models by imbui

visual object classification deep learning models alzheimer's disease latency space medical imaging

发现论文，激发创造

通过迁移学习实现阿尔茨海默病分类

本论文通过迁移学习的方法，使用预训练的深度学习模型，选取信息熵最大的 MRI 图像进行训练，证明相比于当前的基于深度学习的方法，使用小得多的训练样本数量，可以达到类似甚至更好的性能。

Nov, 2017

深度 3D 卷积神经网络的视觉解释在阿尔茨海默病分类中的应用

研究开发了三种有效的方法来从三维卷积神经网络 (3D-CNN) 中生成视觉解释，用于阿尔茨海默病分类。这些方法基于敏感性分析和网络激活的可视化，并且都能够识别出对阿尔茨海默病诊断非常重要的脑部部位，并提高了对 3D-CNN 在阿尔茨海默病分类中的理解。

Mar, 2018

预测阿尔茨海默病：一项基于三维卷积神经网络的神经影像学研究

本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。

Feb, 2015

基于深度监督可适应三维卷积网络的阿尔茨海默病诊断

本文提出了一种基于 3D 卷积神经网络的方法，通过学习通用的 AD 生物标志物特征并适应不同领域的数据集，在没有经过颅骨去除的 MRI 数据集上，通过对解剖形态变异的捕捉，实现了 AD 的预测和分类，并在实验中验证了其优越性和鲁棒性。

Jul, 2016

使用迁移学习和类别分解检测阿尔茨海默病认知衰退

本文提出了一种基于迁移学习和类分解的方法，用于从磁共振成像数据中检测阿尔茨海默病，该方法以 ImageNet 训练的 VGG19 和 ResNet50 为基础，使用熵分析方法确定最有信息量的图像，其在 AD vs MCI vs CN 分类任务中取得了最佳表现，并比文献中报道的分类准确率高出 3%。

Jan, 2023

一种可复现的带有双注意力模块的三维卷积神经网络（3D-DAM）用于阿尔茨海默氏病分类

提出一种基于三维卷积神经网络和双重注意力模块的重现性模型，用于阿尔茨海默病分类，通过在 ADNI 数据库上训练并在 AIBL 和 OASIS1 两个独立数据集上验证，该方法在 MCI 进展分类方面的准确率达到 91.94％，在阿尔茨海默病分类方面的准确率达到 96.30％，并具有良好的泛化能力，在 AIBL 和 OASIS1 数据集上的准确率分别达到 86.37％和 83.42％。

Oct, 2023

基于大规模合成神经影像数据集的 3D 卷积神经网络进行自监督预训练任务用于阿尔茨海默病分类

通过评估几种无监督方法对大规模合成数据集进行预训练的特征提取器在下游阿尔茨海默病与认知正常之间的分类任务中达到了类似于使用真实数据的模型的性能，从而支持使用大规模合成数据进行预文本任务训练的可行性。

Jun, 2024

可解释的深层模型用于心脏再同步治疗反应预测

在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

Jun, 2020

阿尔茨海默病的磁共振成像分类方法：基于深度学习和元学习模型

通过使用深度学习技术，特别是基于最先进的卷积神经网络（CNNs），对磁共振成像（MRI）数据进行分类，以便识别阿尔茨海默病（AD），该研究报告了采用多个 CNN 模型的集成方法来提高检测的查全率和准确性，其中多数投票法表现得更好。我们提出的方法在测试中获得了 90% 的准确率、0.90 的精确度和 0.89 的召回率。未来可以扩展该研究以纳入其他类型的医学数据，包括信号、图像和其他数据，使用其他分类器、神经网络和人工智能技术以提高阿尔茨海默病的检测。

May, 2024

基于注意力机制的高效分类方法用于阿尔茨海默病三维 MRI 图像

通过使用深度学习和图像识别技术，本研究提出了一种基于卷积神经网络的新型阿尔茨海默病检测模型，该模型利用预训练的 ResNet 网络作为骨干，结合了 3D 医学图像的后融合算法和注意力机制，实验证明引入的 2D 融合算法有效降低了模型的训练开销，而注意力机制准确评估了图像中重要区域，进一步提高了模型的诊断准确性。

Jan, 2024