Ricci flow-based brain surface covariance descriptors for diagnosing Alzheimer’s disease

要約

MRI 脳スキャンからの自動特徴抽出とアルツハイマー病の診断は継続的な課題です。
3D イメージング技術の進歩により、3D データの取得は 2D のデータ取得よりも実行可能かつ効率的になりました。
この論文では、特徴ベースのベクトルを使用するのではなく、Ricci エネルギー最適化を使用して皮質表面から新しい共分散ベースの記述子を抽出するパイプラインを初めて提案します。
共分散記述子は対称正定値行列の非線形多様体の成分であるため、ガウス動径基底関数を使用して多様体ベースの分類を 3D 形状問題に適用することに焦点を当てます。
この新しいシグネチャを異常な皮質脳形態計測の分析に適用すると、アルツハイマー病の診断が可能になります。
アルツハイマー病神経画像イニシアチブ (ADNI) データセットから収集された約 200 の 3D MRI 脳モデルに対して実行された実験研究では、顕著な分類精度を達成する際の記述子の有効性が実証されています。

要約(オリジナル)

Automated feature extraction from MRI brain scans and diagnosis of Alzheimer’s disease are ongoing challenges. With advances in 3D imaging technology, 3D data acquisition is becoming more viable and efficient than its 2D counterpart. Rather than using feature-based vectors, in this paper, for the first time, we suggest a pipeline to extract novel covariance-based descriptors from the cortical surface using the Ricci energy optimization. The covariance descriptors are components of the nonlinear manifold of symmetric positive-definite matrices, thus we focus on using the Gaussian radial basis function to apply manifold-based classification to the 3D shape problem. Applying this novel signature to the analysis of abnormal cortical brain morphometry allows for diagnosing Alzheimer’s disease. Experimental studies performed on about two hundred 3D MRI brain models, gathered from Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset demonstrate the effectiveness of our descriptors in achieving remarkable classification accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google