Single Domain Generalization for Alzheimer’s Detection from 3D MRIs with Pseudo-Morphological Augmentations and Contrastive Learning

要約

AlzheimerのMRISによる疾患検出は、現代の深い学習モデルのおかげで大幅に進歩していますが、クラスの不均衡、プロトコルのバリエーション、限られたデータセットの多様性などの課題は、一般化能力を妨げることがよくあります。
この問題に対処するために、この記事では、1つのドメインのデータが与えられた単一のドメイン一般化設定に焦点を当てています。
異なる分布の目に見えないドメイン。
脳の形態は、アルツハイマー病の診断において重要な役割を果たすことが知られているため、頑丈なクラス固有の表現を抽出するための監視された対比学習モデルと組み合わせて、形状に見当たる、解剖学的に意味のあるクラス固有の増強を生成することを目的とした学習可能な擬似形態学的モジュールの使用を提案します。
3つのデータセットで実施された実験は、特にクラスの不均衡とイメージングプロトコルのバリエーションの下で、パフォーマンスと一般化能力の向上を示しています。
ソースコードは、https://github.com/zobia111/sdg-alzheimerで受け入れられると利用可能になります。

要約(オリジナル)

Although Alzheimer’s disease detection via MRIs has advanced significantly thanks to contemporary deep learning models, challenges such as class imbalance, protocol variations, and limited dataset diversity often hinder their generalization capacity. To address this issue, this article focuses on the single domain generalization setting, where given the data of one domain, a model is designed and developed with maximal performance w.r.t. an unseen domain of distinct distribution. Since brain morphology is known to play a crucial role in Alzheimer’s diagnosis, we propose the use of learnable pseudo-morphological modules aimed at producing shape-aware, anatomically meaningful class-specific augmentations in combination with a supervised contrastive learning module to extract robust class-specific representations. Experiments conducted across three datasets show improved performance and generalization capacity, especially under class imbalance and imaging protocol variations. The source code will be made available upon acceptance at https://github.com/zobia111/SDG-Alzheimer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google