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

HTML
PDF
TL;DR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。
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

  • 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

  • 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

  • MRI可解释的概念映射：揭示基于深度学习的脑疾病分类的机制

    通过对深度神经网络学习的概念进行系统性研究，可以确定变化的大脑区域用于模型验证，从而增加疾病分类模型的可靠性。

    Apr, 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

  • 阿尔茨海默病分类器的解剖分割显著图的定量评估

    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。

    Jul, 2024

  • 双注意力感知的深度卷积神经网络在早期阿尔茨海默病检测中的应用

    我们引入了一种双重注意力增强深度学习框架用于从神经影像数据中分类阿尔茨海默病。 结果表明，我们的模型相比于现有的卷积神经网络在性能上有显着的提升，准确率达到99.1%。 这些结果突显了先进的深度学习方法在医学诊断中的潜力，为高度可靠和更高效的医疗解决方案作出了贡献。

    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