Mar, 2024

通过可解释的三维混合压缩卷积变换提升基于 MRI 的阿尔茨海默病分类

PDF
TL;DR通过将卷积神经网络（CNN）和视觉转换器（ViTs）相互结合，我们引入了一种新的端到端深度学习模型，3D Hybrid Compact Convolutional Transformers 3D（HCCT）。在突出阿尔茨海默病（AD）分类准确性方面，经过对知名的 AD 稳定数据集 ADNI 进行广泛评估，3D HCCT 表现出优异的性能，超越了现有的基于 CNN 和变换器的方法。其强大的泛化能力和可解释性在从 3D MRI 扫描进行 AD 分类方面具有重要意义，为改善患者护理和优越的临床结果提供了更准确可靠的诊断。
发现论文，激发创造
  • 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

  • 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

  • MedTransformer：3D MRI 图像的精确 AD 诊断通过 2D 视觉转换器

    通过使用 2D 视觉 Transformer，我们提出了一种基于 Transformer 注意力编码器的 2D 医学图像模型，通过将 3D 图像切割成多个 2D 切片，以诊断 3D MRI 图像中的 AD。我们还提出了形态学增强方法，用于增加 AD 和正常图像之间的结构差异。实验结果表明，我们的模型在诊断 AD 方面表现出强大的能力，并且能够在不同的医学任务中进行泛化，这为医生以一种更简单的方式诊断 AD 提供了可能性。

    Jan, 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

  • 融合的卷积神经网络和长短期记忆模型用于从 MRI 扫描中改进阿尔茨海默病的诊断

    该研究旨在提出一种混合模型，将卷积神经网络模型的特征提取能力与长短期记忆模型的检测能力结合起来，通过应用转移学习中的 VGG16 从 MRI 图像中提取特征，并使用软最大函数对完全连接层的输出层进行分类，成功地检测出阿尔茨海默病，并取得了 98.8% 的准确率，100% 的敏感性和 76% 的特异性。该提出的混合模型在性能上超过了其 CNN 对手，展现出卓越的性能。

    Mar, 2024

  • 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 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

  • 数据增强和三维卷积神经网络深度对阿尔茨海默病检测的影响

    通过严格遵守数据处理、实验设计和模型评估等最佳实践，本研究旨在确保机器学习在临床实践中作为可靠工具的地位。以阿尔茨海默病检测为例，我们研究了不同的数据增强技术和模型复杂度对整体性能的影响，采用 3D 卷积神经网络处理 ADNI 数据集的分类问题。通过交叉验证和多次训练试验，我们训练了 15 个预测模型，考虑了三种不同的数据增强策略和五种不同的 3D 卷积神经网络架构，每种架构的卷积层数不同。通过数据增强和模型复杂度的综合效应，准确率的预测性能变化高达 10%。当分别应用仿射变换时，模型的准确性更高，与采用的架构无关。对于所有策略，模型准确率随着卷积层数的增加呈现凹曲线行为，在中间值层次达到峰值。最佳模型（8 个卷积层、架构 B）在交叉验证折数和训练试验中最稳定，在测试集和外部测试集上表现出色。

    Sep, 2023

  • 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