通过在开放式域调整中进行超球加权对抗性学习来改善阿尔茨海默病诊断

科学领域:

• 神经成像和人工智能的人工智能
• 医学图像分析 医学图像分析
• 机器学习用于医疗保健

背景情况:

• 阿尔茨海默氏病 (AD) 诊断依赖于磁共振成像 (MRI),但扫描器变异和未知的疾病挑战计算机辅助诊断 (CAD) 系统.
• 封闭的域适应方法与AD诊断的现实世界临床数据的多样性和复杂性作斗争.
• 现有的CAD模型往往错误地诊断了在培训数据中不包含的疾病,突出了对强大的开放式方法的需求.

研究的目的:

• 开发和评估一种新的基于高层加权对抗学习的开放集域适应 (HWAL-OSDA) 方法,用于准确诊断阿尔茨海默病.
• 解决MRI数据中的域位移问题,并提高模型区分已知的和未知的神经退行性疾病的能力.
• 提高CAD系统在多样化和开放的临床环境中的性能.

主要方法:

• 实现了基于voxel的3D特征提取和融合模块,用于全面的MRI空间特征捕获.
• 使用多尺度和双重注意力聚合块专注于对疾病敏感的大脑区域.
• 整合了超球变量自动编码器和基于球形角距离的损失,以改善特征表示和类分离性.
• 设计了一个加权对抗域适应模块,具有动态实例级加权 (韦布尔分布和),用于管理已知和未知样本传输.

主要成果:

• 在ADNI和PPMI数据集上,HWAL-OSDA方法实现了高平均准确率:94.2% (AD对CN对Unk),83.68% (MCI对CN对Unk) 和77.83% (AD对MCI对Unk).
• HWAL-OSDA显著超过了传统和最先进的开放集域适应 (OSDA) 方法.
• 该模型在处理域位移和分类未知的条件方面表现出有效性.

结论:

• 拟议的HWAL-OSDA方法为阿尔茨海默病诊断在具有挑战性的,开放的临床环境中提供了强大而准确的解决方案.
• 这种方法有效地处理域变异,并提高了用于神经退行性疾病的CAD系统的可靠性.
• HWAL-OSDA为开发针对AD和其他神经系统疾病的先进CAD系统提供了实用参考.