MssNet: un modelo de atención espacial eficiente para el reconocimiento temprano de la enfermedad de Alzheimer

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• La neurociencia

Sus antecedentes:

• Los modelos de aprendizaje profundo sobresalen en el análisis de imágenes médicas, pero los enfoques basados en voxel para la resonancia magnética son computacionalmente intensivos y hambrientos de datos.
• Los modelos actuales de reconocimiento de la enfermedad de Alzheimer (EA), a menudo basados en CNN, luchan por retener detalles finos a medida que aumenta la profundidad de la red.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo eficiente y ligero para el reconocimiento de la enfermedad de Alzheimer (EA) mediante RM.
• Para capturar las características de grano grueso y fino para mejorar la detección de AD.

Principales métodos:

• Propuso una nueva red de autoatención espacial a escala múltiple (MssNet) para el reconocimiento de AD basado en rebanadas.
• Entropía de imagen implementada para una selección eficiente de la porción objetivo.
• Se introdujo un nuevo mecanismo de atención espacial y autoatención espacial para la captura de información espacial a varios niveles.

Principales resultados:

• MssNet logró un excelente rendimiento en los conjuntos de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) y la Serie de Estudios de Imagen de Acceso Abierto (OASIS).
• Demostró una fuerte capacidad de generalización.
• El modelo es ligero con menos parámetros en comparación con los métodos basados en voxel.

Conclusiones:

• MssNet captura efectivamente información espacial a múltiples escalas, mejorando las capacidades de modelado y comprensión para el reconocimiento de AD.
• El enfoque basado en rebanadas propuesto ofrece una alternativa eficiente a los costosos métodos basados en voxel.
• MssNet es prometedor para la detección rápida y precisa de la enfermedad de Alzheimer.