2021-01-29 Joint Classification and Regression via Deep Multi-Task Multi-Channel Learning for Alzhei

Joint Classification and Regression via Deep Multi-Task Multi-Channel Learning for Alzheimer’s Disease Diagnosis

摘要

在计算机辅助阿尔茨海默病(AD)诊断领域,使用磁共振成像(MRI)联合识别脑部疾病和预测临床分数已经引起了越来越多的关注,因为这两项任务高度相关。大多数现有的联合学习方法需要手工制作磁共振图像的特征表示。由于手工制作的磁共振成像特征和分类/回归模型可能无法很好地相互协调,传统方法可能会导致次优的学习性能。此外,受试者的人口统计信息(例如,年龄、性别和教育)也可能与大脑状态相关,因此可以帮助提高诊断性能。然而,传统的联合学习方法很少将这种人口统计信息纳入学习模型。为此,我们提出了一种深度多任务多通道学习(DM^2L)框架,使用磁共振成像数据和受试者的人口统计信息,用于同时进行脑部疾病分类和临床评分回归。具体来说,我们首先以数据驱动的方式从磁共振图像中识别有识别力的结构标志,然后在这些检测到的标志周围提取多个图像块。然后,我们提出了一种深度多任务多通道卷积神经网络,用于联合分类和回归。我们的DM^2L框架不仅可以自动学习磁共振图像的有识别力的特征,而且可以明确地将受试者的人口统计信息纳入学习过程。我们用1984名受试者在四个大的多中心队列中评价了所提出的方法,实验结果表明DM^2L在疾病

你可能感兴趣的:(论文翻译与理解,神经网络,机器学习)