AD-Lite Net: A Lightweight and Concatenated CNN Model for Alzheimer’s Detection from MRI Images

要約

アルツハイマー病 (AD) は、人間の脳に影響を与える治癒不可能な進行性の神経変性疾患で、記憶力、認知能力、そして最終的には日常業務を遂行する能力の低下につながります。
MRI 画像からアルツハイマー病を手作業で診断するのは感度が低く、神経内科医にとっては非常に面倒なプロセスです。
したがって、より高い精度で初期段階でADを検出できる自動コンピュータ支援診断(CAD)システムが必要とされています。
この研究では、前述の問題を軽減できる新しい AD-Lite ネット モデル (ゼロからトレーニングされた) を提案しました。
この研究で私たちがここにもたらした新規性は次のとおりです。 (I) 深さワイズ分離可能畳み込み (DWSC) 層とグローバル平均プーリング (GAP) 層を組み込むことにより、非常に軽量な CNN モデルを提案しました。
(II) 提案された AD-Lite ネット モデルでは、「並列連結ブロック」(pcb) を活用しました。
この PCB は、変換層 (Tx 層) とそれに続く 2 つの畳み込み層で構成され、これらの層は元の基本モデルと連結されます。
この Tx 層は、特徴を、アルツハイマー病にとって不可欠な非常に特徴的な種類の特徴に変換します。
その結果、「並列連結」を備えた提案された AD-Lite Net モデルはより高速に収束し、非常に一般化された方法で MRI データセットからのクラスの不均衡問題を自動的に軽減します。
提案したモデルの妥当性を確認するために、3 つの異なる MRI データセットにモデルを実装しました。
さらに、ADNI と AD データセットを組み合わせて、モデルの汎化能力を検証するために 10 倍の相互検証実験を実行しました。
広範な実験結果により、私たちが提案したモデルは既存のすべての CNN モデルと、最近のトレンドである Vision Transformer (ViT) モデルの 1 つを大幅に上回っていることがわかりました。

要約(オリジナル)

Alzheimer’s Disease (AD) is a non-curable progressive neurodegenerative disorder that affects the human brain, leading to a decline in memory, cognitive abilities, and eventually, the ability to carry out daily tasks. Manual diagnosis of Alzheimer’s disease from MRI images is fraught with less sensitivity and it is a very tedious process for neurologists. Therefore, there is a need for an automatic Computer Assisted Diagnosis (CAD) system, which can detect AD at early stages with higher accuracy. In this research, we have proposed a novel AD-Lite Net model (trained from scratch), that could alleviate the aforementioned problem. The novelties we bring here in this research are, (I) We have proposed a very lightweight CNN model by incorporating Depth Wise Separable Convolutional (DWSC) layers and Global Average Pooling (GAP) layers. (II) We have leveraged a “parallel concatenation block” (pcb), in the proposed AD-Lite Net model. This pcb consists of a Transformation layer (Tx-layer), followed by two convolutional layers, which are thereby concatenated with the original base model. This Tx-layer converts the features into very distinct kind of features, which are imperative for the Alzheimer’s disease. As a consequence, the proposed AD-Lite Net model with “parallel concatenation” converges faster and automatically mitigates the class imbalance problem from the MRI datasets in a very generalized way. For the validity of our proposed model, we have implemented it on three different MRI datasets. Furthermore, we have combined the ADNI and AD datasets and subsequently performed a 10-fold cross-validation experiment to verify the model’s generalization ability. Extensive experimental results showed that our proposed model has outperformed all the existing CNN models, and one recent trend Vision Transformer (ViT) model by a significant margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google