Transfer Learning and Class Decomposition for Detecting the Cognitive Decline of Alzheimer Disease

要約

アルツハイマー病 (AD) の早期診断は、病気の進行を防ぐために不可欠です。
したがって、構造的磁気共鳴画像法 (sMRI) などの神経画像データから AD を検出することは、近年、熱心な調査のトピックとなっています。
深層学習は、アルツハイマー病の検出においてかなりの注目を集めています。
ただし、畳み込みニューラル ネットワークをゼロからトレーニングすることは、より多くの計算時間と大量の注釈付きデータを必要とするため、困難です。
他の画像認識タスクから学習した知識を医用画像分類に移すことにより、転移学習は有望で効果的なソリューションを提供できます。
データセットの分布の不規則性は、別の問題を引き起こします。
クラス分解は、データセットのクラス境界の学習を簡素化することで、この問題に取り組むことができます。
これらのアプローチに動機付けられて、この論文では、クラス分解を使用して sMRI 画像からアルツハイマー病を検出する転移学習法を提案します。
ImageNet でトレーニングされた 2 つのアーキテクチャ (VGG19 と ResNet50) と、最も有益な画像を決定するためのエントロピー ベースの手法を使用します。
提案されたモデルは、アルツハイマー病 (AD) vs 軽度認知障害 (MCI) vs 認知的に正常 (CN) の分類タスクで最先端のパフォーマンスを達成し、文献で報告されているものから精度が 3\% 向上しました。

要約(オリジナル)

Early diagnosis of Alzheimer’s disease (AD) is essential in preventing the disease’s progression. Therefore, detecting AD from neuroimaging data such as structural magnetic resonance imaging (sMRI) has been a topic of intense investigation in recent years. Deep learning has gained considerable attention in Alzheimer’s detection. However, training a convolutional neural network from scratch is challenging since it demands more computational time and a significant amount of annotated data. By transferring knowledge learned from other image recognition tasks to medical image classification, transfer learning can provide a promising and effective solution. Irregularities in the dataset distribution present another difficulty. Class decomposition can tackle this issue by simplifying learning a dataset’s class boundaries. Motivated by these approaches, this paper proposes a transfer learning method using class decomposition to detect Alzheimer’s disease from sMRI images. We use two ImageNet-trained architectures: VGG19 and ResNet50, and an entropy-based technique to determine the most informative images. The proposed model achieved state-of-the-art performance in the Alzheimer’s disease (AD) vs mild cognitive impairment (MCI) vs cognitively normal (CN) classification task with a 3\% increase in accuracy from what is reported in the literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google