在结构性MRI扫描上高效地训练视觉转换器,以检测阿尔茨海默氏症的疾病
概括
视觉转换器 (ViT) 对神经成像任务,如阿尔茨海默氏症疾病分类,显示出前景. 在MRI数据上预先训练的微调ViT模型显著提高了诊断性能,有助于早期检测和预后.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 大规模的神经成像对于理解大脑疾病和改善诊断至关重要.
- 卷积神经网络 (CNN) 建立用于分析大脑图像.
- 视觉转换器 (ViT) 是计算机视觉任务的新兴深度学习模型.
研究的目的:
- 评估视觉变压器 (ViT) 架构变体用于神经成像任务.
- 评估ViT在分类性别和阿尔茨海默病 (AD) 的性能,从3D脑MRI.
- 调查预训练和训练策略对神经成像中ViT表现的影响.
主要方法:
- 在3D脑部MRI数据上测试了两个ViT架构变体.
- 使用ViT模型对性别和阿尔茨海默病 (AD) 进行分类.
- 在基准AD数据集上评估模型,使用合成和真实MRI扫描的预训练.
- 分析了数据增强,学习速度时间表和数据模型扩展的影响.
主要成果:
- 获得高AUC分数:0.987用于性别分类和0.892用于AD分类.
- 演示性能提升5% (合成预训练) 和9-10% (真实MRI预训练).
- 确定了对有限的神经成像数据集至关重要的最佳ViT培训策略.
结论:
- ViT模型对于神经成像分类任务,包括阿尔茨海默病检测是有效的.
- 预训练和特定训练策略提高了ViT在神经成像方面的表现.
- 这些模型有可能用于AD诊断,亚型和预后的临床应用.
