Attention-based 3D CNN with Multi-layer Features for Alzheimer’s Disease Diagnosis using Brain Images

要約

構造 MRI および PET イメージングは​​アルツハイマー病 (AD) の診断において重要な役割を果たし、それぞれ脳内の形態学的変化とグルコース代謝の変化を示します。
一部の認知障害患者の脳画像における症状は比較的目立たないため、臨床現場でsMRIによる正確な診断を達成することは依然として困難です。
深層学習の出現により、畳み込みニューラル ネットワーク (CNN) は AD 支援診断において貴重な手法となっていますが、一部の CNN 手法は脳画像の特徴を効果的に学習できないため、AD の診断には依然としていくつかの課題が残されています。
この研究では、ResNet に基づく AD 診断用のエンドツーエンド 3D CNN フレームワークを提案します。このフレームワークは、アテンション メカニズムの効果の下で取得された多層特徴を統合して、脳画像の微妙な違いをより適切に捕捉します。
アテンションマップは、私たちのモデルが病気の診断に関連する主要な脳領域に焦点を当てることができることを示しました。
私たちの方法は、ADNIデータベースからの792人の被験者の2つのモダリティ画像を用いたアブレーション実験で検証され、sMRIとPETに基づいてそれぞれ89.71％と91.18％のAD診断精度が達成され、またいくつかの最先端の方法を上回りました。
。

要約(オリジナル)

Structural MRI and PET imaging play an important role in the diagnosis of Alzheimer’s disease (AD), showing the morphological changes and glucose metabolism changes in the brain respectively. The manifestations in the brain image of some cognitive impairment patients are relatively inconspicuous, for example, it still has difficulties in achieving accurate diagnosis through sMRI in clinical practice. With the emergence of deep learning, convolutional neural network (CNN) has become a valuable method in AD-aided diagnosis, but some CNN methods cannot effectively learn the features of brain image, making the diagnosis of AD still presents some challenges. In this work, we propose an end-to-end 3D CNN framework for AD diagnosis based on ResNet, which integrates multi-layer features obtained under the effect of the attention mechanism to better capture subtle differences in brain images. The attention maps showed our model can focus on key brain regions related to the disease diagnosis. Our method was verified in ablation experiments with two modality images on 792 subjects from the ADNI database, where AD diagnostic accuracies of 89.71% and 91.18% were achieved based on sMRI and PET respectively, and also outperformed some state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google