Jul, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

    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。

    Mar, 2024

  • 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

  • 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

  • 自动检测阿尔茨海默病的可解释卷积神经网络（C-Attention Network）

    本文提出了三种可解释的深度学习体系结构，基于患者的语言能力自动检测阿尔茨海默病患者。这些体系结构使用词性特征、语言嵌入特征或这两种特征的统一体系结构，并使用自注意机制和可解释的一维卷积神经网络生成模型操作的两种类型解释：类内解释和类间解释。通过大量实验证明，该方法在 DementiaBank 数据集上的准确率为 92.2％，F1 分数为 0.952，同时能够生成解释。

    Jun, 2020

  • 多模态神经影像注意力模型用于认知衰退预测

    该研究提出了一种新的多模态神经影像关注机制的卷积神经网络结构，MNA-net，用于预测在 10 年内正常认知个体是否会发展为轻度认知障碍或阿尔茨海默病。通过使用注意机制形成 MRI 和 PET 图像的共享表示，MNA-net 在 OASIS-3 数据集上进行了测试，并具有 83% 的准确率，80% 的真阴性率和 86% 的真阳性率，相比之前的工作准确率和真阴性率分别提高了 5% 和 10%，这些结果表明了该模型在预测认知衰退方面的潜力和通过融合不同神经影像模态的关注机制来改进预测的能力。

    Dec, 2023

  • 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

  • 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

  • 结构注重型神经退行性卷积神经网络用于阿尔茨海默病建模与分类

    该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

    Jan, 2024