BrainBagNet

病理区域定位与阿尔茨海默病诊断的深度联合学习

基于大脑细微的形态变化，人们已经研究了使用结构磁共振成像 (sMRI) 识别阿尔茨海默病 (AD)。典型方法之一是基于深度学习的块级特征表示。然而，对于这种方法，在学习诊断模型之前预先确定的块可能会限制分类性能。为了缓解这个问题，我们提出了一个基于位置的门 (PG) 的 BrainBagNet，它应用通过 3D 坐标表示的大脑图像的位置信息。我们提出的方法基于 MR 扫描和位置信息来表示块级类别证据，以进行图像级预测。为了验证我们提出的方法，我们进行了实验，将我们的方法与最先进的方法进行比较，并评估了两个公开可用的数据集的稳健性能：1) ADNI 和 2) AIBL。此外，我们提出的方法在 AD 诊断和轻度认知障碍转换预测任务中的分类性能均优于比较方法，并从不同角度分析了我们的结果。根据我们的实验结果，我们认为所提出的方法有可能为基于深度学习的块级特征表示研究提供新的见解和视角。代码可在以下位置获取：github.com/ku-milab/PG-BrainBagNet 。