Jul, 2024

使用3D可变形自编码器进行阿尔茨海默病特征的无监督分析

HTML
PDF
TL;DR使用MORPHADE（Morphological Autoencoders for Alzheimer's Disease Detection）这个新颖的无监督学习方法，我们能够通过对3D T1加权脑图像进行形变分析，不仅检测出阿尔茨海默病（AD）的存在，还能定位和评估由AD引起的大脑结构变化的严重程度。我们的方法在临床上与AD相关的脑部重要区域显示出明显较高的异常分数，与健康对照组相比，显示出我们的方法能够有效定位与AD相关的脑萎缩。此外，我们还观察到在我们的异常图中突出显示的萎缩程度与临床专家评估的内侧颞叶萎缩评分存在视觉相关性。最后，我们的方法在检测AD方面取得了0.80的AUROC值，超过了几个有监督学习和无监督学习基线模型。我们相信我们的框架有望成为改进对AD的理解、监测和检测的工具。为了支持进一步的研究和应用，我们在github.com/ci-ber/MORPHADE上公开了我们的代码。
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

  • 海马形态特征的多维分类区分阿尔茨海默病、轻度认知障碍和正常衰老

    本文提出一种使用多维分类和支持向量机基于海马形状特征来自动区分老年控制组、痴呆症 (AD) 以及轻度认知障碍 (MCI) 患者的新方法，并与海马体积测量和其他SVM整脑分类方法进行比较。结果表明，该方法的分类性能优于海马体积测量，并可作为帮助诊断AD的有用工具。

    Jul, 2017

  • 利用Deep InfoMax预测阿尔茨海默病的进展

    本文研究探讨了 Deep InfoMax 与卷积神经网络在阿尔茨海默病进展预测中的应用，结果表明 Deep InfoMax 在未来的神经影像研究中具有很高的潜在效用。

    Apr, 2019

  • 卷积神经网络在自动检测阿尔茨海默病中的设计

    本研究针对深度卷积神经网络应用于结构性脑部MRI扫描检测阿尔茨海默病的问题，提出几种可以提升模型性能的技术，其中包括实例规范化、年龄信息等，这些技术的应用可将模型的准确率提高14%。

    Nov, 2019

  • 区域深度萎缩：一种自监督学习方法，用于从纵向磁共振成像中自动识别与阿尔茨海默病进展有关的区域

    通过结合时间推断、可变形配准神经网络和注意力机制，本文提出了区域性深度萎缩（RDA）方法用于通过MRI图像监测神经退行性疾病（如阿尔茨海默病）的病程变化，同时提供了解释性更强的研究结果。

    Apr, 2023

  • 基于可变形补丁定位的差异性诊断阿尔茨海默病与颞叶前额叶痴呆的3D Transformer

    提出了一种新颖的3D变形器架构，利用可变形的补丁定位模块，改善了阿尔茨海默病和额颞型痴呆的差异诊断。通过结合传统的机器学习模型和脑结构体积，以更好地利用现有数据，提出了将基于变压器的模型与传统机器学习模型相结合的方法。我们的实验表明了所提方法的有效性，与最先进的方法相比，结果具有竞争力。此外，我们可以可视化变形的补丁位置，揭示用于确立每种疾病诊断的最相关脑区域。

    Sep, 2023

  • 基于形变的形态测量框架，使用学习的正常老化模板分辨阿尔茨海默病与正常老化

    通过应用基于变形的形态学方法，本研究借助深度学习创建了符合认知正常的不同年龄群体的正常衰老萎缩模板，通过图像配准和模板对比评估了阿尔茨海默病相关的脑萎缩和正常衰老的效应，并发现该疾病早期的海马体和杏仁核区域更加呈现出加速的正常衰老模式。

    Nov, 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

  • 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

  • AD-Lite 网络：一种用于阿尔茨海默病检测的轻量级卷积神经网络模型

    本研究针对传统阿尔茨海默病（AD）诊断中灵敏度不足和过程繁琐的问题，提出了一种新的轻量级AD-Lite Net模型。该模型融合了深度可分离卷积和并行连接块，使得特征提取更加明显，并提高了对MRI图像的分类准确性。实验结果显示，AD-Lite Net在多个MRI数据集上显著优于现有CNN模型和一种新兴的视觉变换器（ViT）模型。

    Sep, 2024