![arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日](/simg/6/6df385af4e1e348c8cd4bffd41616a77febd483d.webp)
机构名称：
¥ 1.0
用于神经成像数据的深度学习是一个有前途但具有挑战性的方向。3D MRI 扫描的高维性使这项工作计算和数据密集型。大多数传统的 3D 神经成像方法使用基于 3D-CNN 的架构，具有大量参数，需要更多的时间和数据来训练。最近，基于 2D 切片的模型受到越来越多的关注，因为它们具有更少的参数，并且可能需要更少的样本来实现相当的性能。在本文中，我们提出了一种用于 BrainAGE 预测的新架构。所提出的架构通过使用深度 2D-CNN 模型对 MRI 中的每个 2D 切片进行编码来工作。接下来，它使用集合网络或排列不变层结合来自这些 2D 切片编码的信息。使用 UK Biobank 数据集对 BrainAGE 预测问题进行的实验表明，与其他最先进的方法相比，具有排列不变层的模型训练速度更快，并提供更好的预测。
arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日
主要关键词
![arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日PDF文件第1页](/bimg/e/eeccaa482fd045e6b535011a0035b99d10aef4c4.webp)
![arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日PDF文件第2页](/bimg/1/1b71c354bf0c57a90a6ae127550e4d239b736934.webp)
![arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日PDF文件第3页](/bimg/3/3d5a321c9e676b808c7b8c97d65685c6b6438146.webp)
![arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日PDF文件第4页](/bimg/0/05c9c6a4221dcc428c55dd94b53825a87fb4ca71.webp)
![arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日PDF文件第5页](/bimg/2/2bca1613f0eb2c56ae1a9d87da42a8bd36051970.webp)
相关文件推荐
![arXiv:2102.06518v1 [cs.AI] 2021 年 2 月 12 日](/simg/0/070d7c7773e4992bf716ef8f8bc5d0404ff23414.png)
![arXiv:2010.07171v2 [eess.SP] 2021 年 2 月 1 日](/simg/f/f120c341c60d1bcfee3f6b2ded49de57a77a4b2e.webp)
![arXiv:2102.07039v1 [cs.RO] 2021 年 2 月 14 日 - 加州理工学院作者](/simg/2/25e43204245c78df627668556baf7f3f3d635b52.webp)
![arXiv:2108.04371v1 [cs.AI] 2021 年 8 月 9 日](/simg/6/69fe1655ea43f7b9cf8e76ca88cea4759963b40c.png)
![arXiv:2106.02498v1 [cs.AI] 2021 年 6 月 4 日](/simg/9/93f7f6b4cf13f430992a922d1f2df15a49e78633.png)
![arXiv:1907.09278v2 [cs.AI] 2021 年 3 月 1 日](/simg/b/b56249f47d3400dc780a2a5a6b1e7a2371ddf6ce.png)
![arXiv:2106.01503v1 [cs.AI] 2021 年 6 月 2 日](/simg/e/e1571bcb5bcb584c2a170e3c51159ee34ba9f241.png)
![arXiv:2109.02202v1 [cs.AI] 2021 年 9 月 6 日](/simg/5/55baf6cb57275ce7df25ca5c5de85c262f57827f.png)
![arXiv:2001.11457v3 [cs.AI] 2021 年 3 月 5 日](/simg/7/77db03c1f11d1263a7a871acf160ef76873ebef0.png)
![arXiv:2001.02021v1 [cs.AI] 2020 年 1 月 7 日](/simg/6/6656a65d1324b757699cd670b349c20ef6da7f31.png)
![arXiv:2101.00175v1 [quant-ph] 2021 年 1 月 1 日](/simg/1/1a2607433483a4b46b93ee856d3592ccd5e40cd0.webp)
![arXiv:2108.03137v1 [quant-ph] 2021 年 8 月 6 日](/simg/7/75f793244f361dbd240b4143c964858af05d2ab1.webp)
![arXiv:2005.02933v1 [eess.IV] 2020 年 5 月 6 日](/simg/2/235153b646f9d9cc677346ddb80d9cb058ed73e6.webp)
![arXiv:2005.02988v2 [quant-ph] 2021 年 3 月 2 日](/simg/4/4cc08925f549a2abaec4fb8fc0edf404124e5355.webp)
![arXiv:2209.03177v1 [eess.IV] 2022 年 9 月 7 日](/simg/f/fa3ee8171c3333978c39d246479d5573a87f0728.webp)
![arXiv:2101.11844v1 [cs.AI] 2021 年 1 月 28 日](/simg/0/0d5ef59b56f0580056ece4d763c75afa4d2bd407.png)
![arXiv:2109.08006v3 [cs.AI] 2021 年 11 月 5 日](/simg/4/4fcb830248cd3f99a25326b2b1663ac275ee39f0.png)
![arXiv:2109.01281v2 [cs.AI] 2021 年 10 月 4 日](/simg/3/325c45217088ea7ef5cdb60280f17c1c7fe54b34.png)
![arXiv:2103.06769v1 [cs.AI] 2021 年 3 月 11 日](/simg/2/2f4d12dbbeb215138cd3f636a30cb61579429c5b.png)
![arXiv:2105.06564v2 [cs.AI] 2021 年 5 月 17 日](/simg/4/4a44e8f64e3bdf2208b0ec3c7f0db257903554ef.png)
![arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日](/simg/3/3c87b68027f137968ab7fa405274c3bf872022b1.png)
![arXiv:2007.01544v2 [cs.AI] 2021 年 9 月 20 日](/simg/5/54b080d69663555a0d382eb9d34ff207684afe01.png)
![arXiv:2105.11828v1 [cs.AI] 2021 年 5 月 25 日](/simg/5/58a37638f5f7ba15129a1d765c77a035aa693d7b.png)
![arXiv:2108.12371v2 [quant-ph] 2021 年 9 月 21 日](/simg/1/1b76f33e0c2913548ca948c6edec6ea8f287cdd1.webp)
![arXiv:2107.09605v1 [astro-ph.IM] 2021 年 7 月 20 日](/simg/6/62c77268c3b1feda2b0cc703659b2586fb268bdb.webp)
![arXiv:2109.10918v1 [quant-ph] 2021 年 9 月 22 日](/simg/b/ba47d8a3c6d76d5c5777da7cfb1cd6c54ec2260e.webp)
![arXiv:2305.05548v1 [eess.SP] 2023 年 5 月 7 日](/simg/1/1f26285d70e61e3293fb16ba81f12a5db6c783fd.webp)
![arXiv:2006.04638v1 [eess.SY] 2020 年 6 月 8 日](/simg/9/92eb839a09bdcf0c5d2f9b5e10a756277eab61cf.webp)
![arXiv:2002.03688v1 [eess.IV] 2020 年 2 月 10 日](/simg/5/5ef42afacf9eaa5a3d06e9ec993481c8c60d02e8.webp)