3D-CNN增强的多尺度渐进视觉变压器用于AD诊断

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:

• 视觉转换器 (ViT) 在使用结构磁共振图像 (sMRI) 诊断阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 中表现有前途.
• 现有的ViT模型面临着有限的标记AD相关的sMRI数据集的挑战,忽视了关键的补丁内部局部特征,如大脑缩,并且由于补丁数量的二次增加而表现出高的计算复杂性.

研究的目的:

• 为了解决ViT在AD诊断中的局限性,本研究提出了一种新的3D-CNN增强多尺度进步ViT (3D-CNN-MPVT).
• 目的是通过增强局部特征学习和减少计算开销来提高诊断阿尔茨海默病的准确性和效率,并预测轻度认知障碍转换.

主要方法:

• 一个3D卷积神经网络 (CNN) 在sMRI数据上进行预训练,以提取详细的局部特征并减轻过拟合.
• 开发了一个带有集成CNN的多尺度进步ViT (MPVT) 模块,以明确捕捉AD诊断至关重要的贴片内相互作用.
• 一种新的拼接操作合并了跨补丁特征,并逐渐减少了补丁的数量,在管理计算成本的同时增强了本地特征的表征.

主要成果:

• 3D-CNN-MPVT模型在大型数据集 (ADNI:6610扫描,OASIS-3:1866扫描) 上表现出卓越的性能.
• 在阿尔茨海默病分类中达到90%的准确性,在轻度认知障碍转化预测中达到80%的准确性,预处理最小.
• 在阿尔茨海默病和轻度认知障碍的诊断准确性方面表现优于最近的基线方法.

结论:

• 拟议的3D-CNN-MPVT有效地解决了将ViT应用于sMRI用于AD和MCI诊断的关键挑战.
• 通过将3D-CNN和MPVT与一个拼接操作集成,可以增强本地特征的学习,并减少计算复杂性.
• 这种方法提供了一种有希望的,高度准确和高效的神经退行性疾病诊断方法,使用大脑成像数据.