Jul, 2024

阿尔茨海默病分类器的解剖分割显著图的定量评估

HTML
PDF
TL;DR通过解剖分割将显著性值分配到不同的脑区，利用脑容积的变化来定义一个新的评估指标-脑容积改变得分，研究表明，具有更高脑容积改变得分的模型倾向于展示与AD病理相关的更多详细信息，并且使用基于梯度的对抗性训练策略可以改善模型的脑容积改变得分。
发现论文，激发创造
  • 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

  • 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

  • 基于深层反事实推断的阿尔茨海默病预测的量化可解释模型

    通过使用我们提出的框架，综合对应于反事实的结构性磁共振图像，并将其转化为灰质密度图来衡量其在感兴趣区域（ROI）中的体积变化，本研究通过采用一个轻量级的线性分类器来增强构建的ROIs的有效性，进而实现了定量诠释，达到了与深度学习方法相当的预测性能，该框架为每个感兴趣区域提供了一个“与阿尔茨海默病相关性指数”，从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。

    Oct, 2023

  • 利用早期-晚期多模态数据融合和雅可比地图诊断阿尔茨海默病

    本文介绍了一种高效的机器学习方法，即早期-后期融合（ELF）方法，其中利用卷积神经网络进行自动特征提取，利用随机森林在小样本数据集上具有竞争力的性能，同时采用了适应各个个体特征的鲁棒的预处理流程，并将图像转换为雅可比域以提高分类的准确性和鲁棒性，实验证明本方法在将阿尔茨海默病分为四个阶段的分类中达到了97.19％的准确率。

    Oct, 2023

  • 通过遮蔽输入梯度揭示痴呆检测: 一种模型解释性与精确性的JSM方法

    通过使用JSM作为一种模态无关的工具，我们提出了一种可解释的多模态AD分类模型，它能够为病理性脑变化提供洞察力，从而在模型调试和解释方面具有显著的效果，并且极大地提高了模型的准确性。

    Feb, 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

    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。

    Mar, 2024

  • 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

  • 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

  • 一种新型混合参数高效微调方法用于海马 segmentation 和阿尔茨海默病诊断

    本研究解决了深度学习在医学图像分割中的数据和计算资源不足的问题。我们提出了一种新颖的参数高效微调策略HyPS，充分利用预训练模型的知识结构。在海马分割和阿尔茨海默病诊断中，HyPS显示出了优越的分类准确率，尤其在样本有限的情况下，预示着其在医学影像分析中的潜力。

    Sep, 2024

  • 一种定量方法用于评估深度学习模型在阿尔茨海默病分类中的疾病聚焦和可解释性

    本研究解决了深度学习模型在阿尔茨海默病（AD）分类中可解释性不足的问题。我们开发了一种定量疾病聚焦策略，提出了疾病聚焦评分（DF评分），以量化模型对AD相关脑区的关注程度。研究结果显示，采用该方法能够提高模型的可解释性，并促进其在临床实践中的应用。

    Sep, 2024