Начало работы с болезнью Альцгеймера
- Каскадные мультимодальные смесительные трансформаторы для классификации болезни Альцгеймера с неполными данными(arXiv)
Автор: Линфэн Лю, Сию Лю, Лу Чжан, Суан Винь То, Фатима Насралла, Шекхар С. Чандра
Аннотация. Для точной медицинской классификации требуется большое количество мультимодальных данных, причем во многих случаях в разных форматах. Предыдущие исследования показали многообещающие результаты при использовании мультимодальных данных, превосходящих одномодальные модели при классификации таких заболеваний, как БА. Однако эти модели обычно недостаточно гибки, чтобы справиться с отсутствующими модальностями. В настоящее время наиболее распространенным обходным решением является исключение образцов с отсутствующими модальностями, что приводит к значительному недоиспользованию данных. В дополнение к тому факту, что помеченных медицинских изображений уже мало, производительность методов, основанных на данных, таких как глубокое обучение, серьезно затруднена. Поэтому весьма желателен мультимодальный метод, который может изящно обрабатывать недостающие данные в различных клинических условиях. В этой статье мы представляем Multi-Modal Mixing Transformer (3MT), новый Transformer для классификации заболеваний на основе мультимодальных данных. В этой работе мы проверяем его на классификацию \ac{AD} или \ac{CN}, используя данные нейровизуализации, пол, возраст и баллы MMSE. Модель использует новую архитектуру Cascaded Modality Transformers с перекрестным вниманием для включения мультимодальной информации для более обоснованных прогнозов. Вспомогательные выходные данные и новый механизм отключения модальности были включены для обеспечения беспрецедентного уровня независимости и надежности модальности. Результатом является универсальная сеть, которая позволяет смешивать неограниченное количество модальностей с различными форматами и полностью использовать данные. 3MT был впервые протестирован на наборе данных ADNI и достиг современной точности теста 0,987 ± 0,0006. Чтобы проверить его обобщаемость, 3MT был непосредственно применен к AIBL после обучения на наборе данных ADNI, и была достигнута точность теста 0,925 ± 0,0004 без тонкой настройки. Наконец, мы показываем, что визуализация Grad-CAM также возможна с нашей моделью для получения объяснимых результатов.
2. Выбор мультимодальных признаков на основе тензора и регрессия для диагностики болезни Альцгеймера(arXiv)
Автор: Цзюнь Юй, Чжаомин Конг, Лян Чжань, Ли Шэнь, Лифан Хэ
Аннотация: оценка болезни Альцгеймера (БА) и легких когнитивных нарушений (MCI), связанных с изменениями головного мозга, остается сложной задачей. Недавние исследования показали, что сочетание мультимодальных методов визуализации может лучше отражать патологические характеристики и способствовать более точной диагностике БА и ЛКН. В этой статье мы предлагаем новый основанный на тензоре мультимодальный метод отбора признаков и метод регрессии для диагностики и идентификации биомаркеров AD и MCI от нормального контроля. В частности, мы используем тензорную структуру для использования высокоуровневой корреляционной информации, присущей мультимодальным данным, и исследуем разреженность на тензорном уровне в модели полилинейной регрессии. Мы представляем практические преимущества нашего метода для анализа данных ADNI с использованием трех методов визуализации (VBM-MRI, FDG-PET и AV45-PET) с клиническими параметрами тяжести заболевания и когнитивными показателями. Экспериментальные результаты демонстрируют превосходную производительность предложенного нами метода по сравнению с современными методами диагностики заболеваний и выявления специфических для заболевания областей и различий, связанных с модальностью. Код этой работы находится в открытом доступе по адресу https://github.com/junfish/BIOS22.
3. Автоматическое обнаружение болезни Альцгеймера с использованием изображений МРТ и глубоких нейронных сетей — обзор(arXiv)
Автор: Наротам Сингх, Паттешвари. D, Неха Сони, Амита Капур
Аннотация: Раннее выявление болезни Альцгеймера имеет решающее значение для развертывания вмешательств и замедления прогрессирования заболевания. За последнее десятилетие было исследовано множество алгоритмов машинного обучения и глубокого обучения с целью создания автоматического обнаружения болезни Альцгеймера. Достижения в области методов увеличения данных и передовых архитектур глубокого обучения открыли новые горизонты в этой области, и исследования продвигаются с большой скоростью. Следовательно, цель этого обзора состоит в том, чтобы предоставить обзор недавних исследований моделей глубокого обучения для диагностики болезни Альцгеймера. В дополнение к категоризации многочисленных источников данных, архитектур нейронных сетей и часто используемых мер оценки мы также классифицируем реализацию и воспроизводимость. Наша цель состоит в том, чтобы помочь заинтересованным исследователям идти в ногу с новейшими разработками и воспроизводить более ранние исследования в качестве ориентиров. Кроме того, мы также указываем направления будущих исследований по этой теме.
