适应不断变化的MRI数据:用于预测阿尔茨海默病的转移学习方法
Rosanna Turrisi1, Sarthak Pati2, Giovanni Pioggia3
1Institute for Biomedical Research and Innovation (IRIB), National Research Council of Italy (CNR), Messina, Italy; Machine Learning Genoa Center (MaLGa), University of Genoa, Genoa, Italy.
NeuroImage
|January 18, 2025
概括
转移学习显著改善了使用3DMRI扫描检测阿尔茨海默病 (AD). 这种方法通过调整现有模型来提高诊断准确度,即使图像数据有限或多样化.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 将3D磁共振成像 (MRI) 与机器学习相结合,显示出对阿尔茨海默氏症 (AD) 检测的前景.
- 由于不断发展的MRI协议,有限的数据可能导致AD诊断中的模型过拟合.
研究的目的:
- 探索转移学习 (TL) 策略,以提高AD诊断的准确性.
- 为应对有限数据和不断变化的MRI采集协议所带来的挑战.
主要方法:
- 一个基线3D卷积神经网络模型被训练在3TMRI扫描上.
- 研究了两个TL场景: (A) 调整历史1.5T到3TMRI数据, (B) 调整在ImageNet上预先训练的2D模型进行3DMRI.
- 测试了通用 (特征提取+分类) 和深度 (模型微调) 方法.
主要成果:
- 在情景 (A) 中,TL将精度从63%提高到99%.
- 在情景 (B) 中,微调自然图像模型将基线精度提高了高达12个百分点 (总体为83%).
- 放射性特征在 (B) 场景的一般方法中表现优于TL特征.
结论:
- 转移学习对于通过3DMRI增强AD诊断非常有效,特别是在处理数据变异时.
- 微调预训练模型提供了一个可行的策略,用于AD检测,当历史数据是不可用的.
