Mar, 2024

基于深度引起的显著性对比网络的阿尔茨海默病诊断：通过视觉刺激和眼动的联合分析

PDF
TL;DR早期诊断阿尔茨海默病对于随后的医疗治疗非常重要，而眼球在特殊视觉刺激下的运动可能作为一种潜在的非侵入性生物标志物用于检测阿尔茨海默病患者的认知异常。我们提出了一种基于深度感应显著性对比网络 (DISCN) 的眼球运动分析方法，该方法可用于阿尔茨海默病的诊断。在 DISCN 中，显著注意模块使用分层显著注意机制 (SAA) 将正常眼球运动与视觉刺激的 RGB 和深度图像融合，以评估综合感兴趣图，该图像包含了来自视觉刺激和正常眼球运动行为的信息。此外，我们引入了串行注意模块 (SEA)，以强调最异常的眼球运动行为，以减少个人偏见，得到更加稳健的结果。根据我们的实验，DISCN 在分类阿尔茨海默病患者和正常对照组之间的眼球运动方面具有一致的有效性。
alzheimer's diseaseeye movementsdepth-induced saliency comparison networkcognitive abnormalitiesdiagnosis
发现论文，激发创造
  • 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

  • AXIAL：基于 2D CNN 的 3D MRI 脑部扫描的阿尔茨海默病定位诊断可解释性的注意力机制

    这项研究提出了一种创新的方法来诊断阿尔茨海默病，使用设计用于增强模型决策可解释性的 3D MRI。我们的方法采用了软注意力机制，使 2D CNN 能够提取体积表示。同时，学习每个切片在决策中的重要性，生成了一个能够解释的 MRI 的体素级注意力图。通过使用阿尔茨海默病神经影像学计划（ADNI）的一个标准化的 MRI 数据集来测试我们的方法并确保结果的可重复性。在这个数据集上，我们的方法在两个任务中显著优于最先进的方法：（i）将 AD 与正常认知（CN）区分，准确率为 0.856，Matthew's 相关系数（MCC）为 0.712，分别比第二名提高了 2.4％和 5.3％；（ii）在区分稳定和进展性轻度认知障碍的预测任务中，准确率为 0.725，MCC 为 0.443，比第二名分别提高了 10.2％和 20.5％。我们通过采用双重迁移学习策略实现了这一预测结果，增强了对形态变化的敏感性，并促进了早期 AD 的检测。通过体素级精确度，我们的方法确定了哪些特定区域受到关注，并确定了这些主导脑区域：海马、杏仁核、视角回、下侧脑室。所有这些区域与 AD 的发展有关。此外，我们的方法在不同的交叉验证折叠中始终找到了相同的与 AD 相关的区域，证明了其在突出与该疾病的已知病理标志密切相关的区域方面的稳健性和精确性。

    Jul, 2024

  • 基于多层特征的注意力机制三维卷积神经网络在脑图像中用于阿尔茨海默病诊断

    本研究提出了一种基于 ResNet 的端到端 3D CNN 框架，结合注意力机制作用下获取的多层特征，以更好地捕捉脑部图像的细微差异，用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证，基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率，并且超过了一些最先进的方法。

    Aug, 2023

  • 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

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

    Jan, 2018

  • 基于眼动追踪引导的深度多实例学习和双交叉注意力技术用于眼底疾病检测

    本研究提出一种基于眼动数据的人机交互 CAD 系统，通过多实例学习和双交叉注意力网络等技术，开发了一个基于医疗先验知识的初期疾病诊断模型。实验表明该方法在 AMD 和早期 DR 检测方法中具有较强的可行性和优越性能。

    Apr, 2023

  • 基于视网膜图像的青光眼筛查的磁盘感知集成网络

    本文介绍了一种新的自动青光眼筛查方法 —— 深度学习技术，针对现有临床测量方法对于图像处理精度的过高依赖和对于多种视觉特征的忽视，提出一种名为 DENet 的深度感知集成网络，能够直接从眼底图像中筛查出青光眼。该方法将全局眼底图像和局部视神经盘区域的深层层次信息相结合，实现了四个深度流的处理，最终融合不同流的输出概率生成最终筛查结果。实验结果表明，该筛查方法与其他先进算法相比表现更优。

    May, 2018

  • DISC：通过渐进式表示学习进行深度图像显著性计算

    本论文提出了一种基于深度卷积神经网络的图像显著性计算框架，用于在复杂背景下准确识别感兴趣的物体。该框架结合了粗略和精细级别的观察，通过两个堆叠的卷积神经网络建立显著性模型。经过实验证明，该框架的性能胜过其他先前方法，并且具有很好的通用性。

    Nov, 2015

  • ViDaS 视频深度感知显著性网络

    本文介绍了一种称为 ViDaS 的全卷积双流深度感知显著性网络，使用 RGB 和深度流作为输入，利用编码器 - 解码器模型获得显著性图来预测人类在 “野外” 环境中的注意力，经过在多个不同数据库中的测试和评估，该方法在大多数情况下优于现有的模型以及我们的仅使用 RGB 的变型，适用于预测普遍的注意力问题，是第一种结合 RGB 和深度特征来解决 “野外” 感兴趣目标估计问题的深度学习视频显著性评估方法，其代码将公开发布。

    May, 2023

  • 多模态对比学习和表格注意力模型在自动化阿尔茨海默病预测中的应用

    提出了一种通用的多模态对比学习框架，用于结合图像数据和表格数据，通过新颖的表格注意模块增强和排名表格中突出特征，并应用于阿尔茨海默病预测，实验证明了该框架的有效性。

    Aug, 2023