动态图像用于3DMRI图像 阿尔茨海默氏症疾病分类
Xin Xing1, Gongbo Liang1, Hunter Blanton1
1University of Kentucky, Lexington KY 40506, USA.
Computer vision - ECCV ... : ... European Conference on Computer Vision : proceedings. European Conference on Computer Vision
|June 7, 2023
概括
这项研究引入了一种2D CNN方法,用于使用3DMRI扫描对阿尔茨海默氏病进行分类. 与3D CNN模型相比,这种新的方法显著提高了准确性,并减少了训练时间.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 阿尔茨海默病 (AD) 诊断依赖于神经成像,而MRI是至关重要的.
- 3D卷积神经网络 (CNN) 显示出对MRI的AD分类有希望,但在计算上是密集的.
- 需要有效和准确的诊断工具来应对阿尔茨海默病的日益蔓延.
研究的目的:
- 从3DMRI数据开发一个高效的2DCNN模型来对阿尔茨海默氏症疾病进行分类.
- 为了减少与用于神经成像分析的3D CNNs相关的计算成本和培训时间.
- 用一种新型图像转换技术提高自动化阿尔茨海默病检测的准确性.
主要方法:
- 使用近似排名聚合来将3DMRI卷转换为2D图像.
- 将2D CNN架构应用于用于阿尔茨海默氏症疾病分类的转换2D图像.
- 将性能和训练效率与基线3D CNN模型进行比较.
主要成果:
- 拟议的2D CNN模型在阿尔茨海默氏症疾病分类中比3D模型准确率高9.5%.
- 2D CNN 方法的培训时间减少到 3D CNN 模型所需的培训时间的仅20%.
- 证明了在神经成像中使用简化输入表示来有效地进行深度学习的可行性.
结论:
- 使用近似排名聚合的2D CNN方法提供了一种计算效率高且准确的方法,用于从3DMRI中对阿尔茨海默氏病进行分类.
- 该技术为资源密集型3D CNNs提供了可行的替代方案,促进了在临床研究中更广泛的采用.
- 开发的模型显示了改善阿尔茨海默病的早期和准确诊断的巨大潜力.
