GFE-Mamba: Mamba-based AD Multi-modal Progression Assessment via Generative Feature Extraction from MCI

要約

アルツハイマー病 (AD) は、軽度認知障害 (MCI) から進行することが多く、記憶喪失につながり、患者の生活に重大な影響を与える不可逆的な神経変性疾患です。
臨床試験では、MCI 患者に対する早期の標的介入により、AD の発症と進行を遅らせるか停止できる可能性があることが示されています。
これまでの研究では、正確な医療分類には、評価スケールや磁気共鳴画像法 (MRI) や陽電子放出断層撮影法 (PET) などのさまざまな神経画像技術など、広範な多峰性データを含める必要があることが示されています。
ただし、同じ個人の診断を長期間にわたって一貫して追跡し、同時に多峰性データを収集することは、重大な課題を引き起こします。
この問題に対処するために、生成特徴抽出 (GFE) に基づく分類器である GFE-Mamba を導入します。
この分類器は、評価スケール、MRI、PET からのデータを効果的に統合し、より深いマルチモーダル融合を可能にします。
長いシーケンス情報と短いシーケンス情報の両方を効率的に抽出し、ピクセル空間を超えた追加情報を組み込みます。
このアプローチにより、分類の精度が向上するだけでなく、モデルの解釈可能性と安定性も向上します。
私たちは、2 段階のトレーニング プロセスのために、アルツハイマー病神経イメージング イニシアチブ (ADNI) に基づいて 3000 を超えるサンプルのデータセットを構築しました。
私たちの実験結果は、GFE-Mamba モデルが MCI から AD への変換を予測するのに効果的であり、いくつかの最先端の方法よりも優れていることを示しています。
ソース コードと ADNI データセット処理コードは、https://github.com/Tinysqua/GFE-Mamba で入手できます。

要約(オリジナル)

Alzheimer’s Disease (AD) is an irreversible neurodegenerative disorder that often progresses from Mild Cognitive Impairment (MCI), leading to memory loss and significantly impacting patients’ lives. Clinical trials indicate that early targeted interventions for MCI patients can potentially slow or halt the development and progression of AD. Previous research has shown that accurate medical classification requires the inclusion of extensive multimodal data, such as assessment scales and various neuroimaging techniques like Magnetic Resonance Imaging (MRI) and Positron Emission Tomography (PET). However, consistently tracking the diagnosis of the same individual over time and simultaneously collecting multimodal data poses significant challenges. To address this issue, we introduce GFE-Mamba, a classifier based on Generative Feature Extraction (GFE). This classifier effectively integrates data from assessment scales, MRI, and PET, enabling deeper multimodal fusion. It efficiently extracts both long and short sequence information and incorporates additional information beyond the pixel space. This approach not only improves classification accuracy but also enhances the interpretability and stability of the model. We constructed datasets of over 3000 samples based on the Alzheimer’s Disease Neuroimaging Initiative (ADNI) for a two-step training process. Our experimental results demonstrate that the GFE-Mamba model is effective in predicting the conversion from MCI to AD and outperforms several state-of-the-art methods. Our source code and ADNI dataset processing code are available at https://github.com/Tinysqua/GFE-Mamba.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google