Adaptive feature recombination and recalibration for semantic segmentation: application to brain tumor segmentation in MRI
University of Minho（米尼奥大学）；CMEMS-UMinho Research Unit, University of Minho（米尼奥大学CMEMS-UMinho研究中心）；Centro Algoritmi, University of Minho（米尼奥大学阿尔戈里蒂米中心）
卷积神经网络（CNN）已成功用于脑肿瘤分割，具体而言，全卷积网络（FCN）。FCN可以一次分割一组体素，在给定位置处的特征图（FM）中的单元与对应的分类体素之间具有直接的空间对应关系。在卷积层中，FM被合并以创建新的FM，因此通道组合至关重要。然而，并不是所有的FM对于给定的类都具有相同的相关性。最近，在分类问题中，已经提出了挤压和激励（SE）块作为一个整体重新校准FM，并抑制信息量较少的FM。然而，由于单元和体素之间的空间对应性，这在FCN中不是最佳的。在这篇文章中，我们提出了通过线性扩展和压缩的特征重组，以创建更复杂的语义分割的功能。此外，我们提出了一个分割SE（SegSE）块的功能重新校准，收集上下文信息，同时保持空间意义。最后，我们评估所提出的方法在脑肿瘤分割，使用公开的数据。
2018-06-06 cs.CV
3D Densely Convolutional Networks for Volumetric Segmentation
Sungkyunkwan University（成均馆大学）
在等强度阶段，由于组织之间的低对比度，准确的体积图像分割是一项具有挑战性的任务。在本文中，我们提出了一种基于密集卷积网络的新型深度网络架构，用于体积脑分割。所提出的网络架构提供了层之间的密集连接，旨在改善网络中的信息流。通过连接精细和粗糙密集块的特征图，它允许捕获多尺度上下文信息。实验结果表明，所提出的方法优于现有的方法，在分割精度和参数效率方面的MICCAI大挑战6个月的婴儿大脑MRI分割。
2017-09-13 cs.CV
Deepbet: Fast brain extraction of T1-weighted MRI using Convolutional Neural Networks
University of Münster（明斯特大学）
本文提出基于LinkNet两阶段预测的deepbet，利用多研究T1w MRI数据训练，实现高精度、强鲁棒且约10倍加速的脑提取。
2023-08-14 cs.CV eess.IV
Isointense infant brain MRI segmentation with a dilated convolutional neural network
Eindhoven University of Technology（埃因霍温理工大学）
由于白质和灰质之间的对比有限，因此在6个月大时进行脑MRI定量分析是困难的。在这项研究中，我们使用扩张的三平面卷积神经网络结合非扩张的3D卷积神经网络分割婴儿脑MR图像中的白质，灰质和脑脊液，如MICCAI 6个月婴儿脑MRI分割的大挑战所提供的。
2017-08-09 cs.CV
Multi Modal Convolutional Neural Networks for Brain Tumor Segmentation
Istanbul Technical University（伊斯坦布尔理工大学）
在这项工作中，我们提出了一个多模态卷积神经网络（CNN）的方法来分割脑肿瘤。我们研究了如何在CNN框架下有效地结合不同的模态。我们将以前用于视频识别问题的各种融合方法应用于脑肿瘤分割问题，并从内存和性能方面研究了它们的效率。我们的实验在BRATS数据集上进行，引导我们得出这样的结论，即学习每种模态的单独表示并将它们组合用于脑肿瘤分割可以提高CNN系统的性能。
2018-09-20 cs.CV
Brain Age Prediction Based on Resting-State Functional Connectivity Patterns Using Convolutional Neural Networks
Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
基于神经影像学数据的脑年龄预测可以帮助描述典型的脑发育和神经精神疾病。模式识别模型建立在功能连接（FC）措施来自静息态fMRI（rsfMRI）数据已被成功地用于预测大脑年龄。然而，大多数现有的研究集中在粗粒度的FC措施之间的大脑区域或内在连接网络（ICN），这可能会牺牲细粒度的FC信息的rsfMRI数据。全脑体素FC测量可以提供精细的大脑FC信息，并可能提高预测性能。在这项研究中，我们开发了一种深度学习方法，使用卷积神经网络（CNN）从细粒度的全脑FC测量中学习信息特征，用于大脑年龄预测。在静息态fMRI的大数据集上的实验结果表明，具有细粒度FC测量的深度学习模型可以更好地预测大脑年龄。
2018-01-11 cs.CV
A Volumetric Convolutional Neural Network for Brain Tumor Segmentation
脑癌可能是非常致命的，但通过早期发现和治疗，生存的机会会增加。医生使用磁共振成像（MRI）来检测和定位大脑中的肿瘤，并非常仔细地分析扫描以分割脑肿瘤。手动分割对医生来说既耗时又累人，而且他们很难注意到非常小的异常。由计算机执行的自动分割提供了更快的诊断，注意小细节的能力和更准确的分割。深度学习和计算机硬件的进步已经允许高性能的自动分割方法。然而，在实践中仍然存在一些问题：增加培训时间，班级不平衡和低绩效。在本文中，我建议应用V-Net，一个体积，完全卷积神经网络，分割脑肿瘤的MRI扫描从BraTS挑战。通过这种方法，我实现了0.89的整体肿瘤骰子得分，并在短时间内训练网络，同时使用骰子丢失层解决类不平衡问题。然后，我建议应用现有技术来提高实践中的自动分割性能。
2018-10-27 cs.CV cs.LG stat.ML
Convolutional nets for reconstructing neural circuits from brain images acquired by serial section electron microscopy
MIT（麻省理工学院）；Princeton University（普林斯顿大学）
神经回路可以从连续切片电子显微镜获得的大脑图像中重建。半个世纪以来，图像分析一直由手工劳动进行，自动化的努力几乎可以追溯到同样的时间。卷积网络在十几年前首次应用于神经元边界检测，现在已经在干净的图像上取得了令人印象深刻的准确性。图像缺陷的鲁棒处理是一个主要的突出挑战。卷积网络也被用于神经回路重建中的其他任务：寻找突触和识别突触伙伴，扩展或修剪神经元重建，以及对齐连续切片图像以创建3D图像堆栈。计算系统正在被设计成处理立方毫米脑体积的千万亿像素图像。
2019-04-29 cs.CV
A Multiscale Patch Based Convolutional Network for Brain Tumor Segmentation
Stryker Corporation（史赛克公司）
本文提出了一种基于多尺度块的卷积神经网络，用于多模态3D MR图像中脑肿瘤的自动分割。我们使用多尺度深度监督和输入来训练卷积网络。我们评估了所提出的方法在BRATS 2017分割挑战中的有效性，在该挑战中，我们分别获得了增强肿瘤核心、整个肿瘤和肿瘤核心的0.755、0.900、0.782和95% Hausdorff距离（3.63 mm、4.10 mm和6.81 mm）的骰子分数。
2017-10-06 cs.CV q-bio.NC
Spatial-Temporal Convolutional Attention for Mapping Functional Brain Networks
Shaanxi Normal University（陕西师范大学）；University of Georgia（佐治亚大学）
利用功能性磁共振成像（fMRI）和深度学习来探索功能性脑网络（FBN）吸引了许多研究人员。然而，这些研究大多数仍然是基于源和体素信号之间的时间相关性，缺乏对脑功能动力学的研究。由于体积中广泛的局部相关性，FBN可以直接在空间域中以自监督的方式通过使用空间方向注意（SA）生成，并且与经典方法相比，所得到的FBN与模板具有更高的空间相似性。因此，我们提出了一种新的时空卷积注意力（STCA）模型发现动态FBN使用滑动窗口。为了验证所提出的方法的性能，我们在HCP-rest数据集上对该方法进行了评估。结果表明，STCA可以用于发现FBNs在一个动态的方式，提供了一个新的途径，以更好地了解人类大脑。
2022-11-04 cs.CV q-bio.NC stat.ML
Brain tumor detection using artificial convolutional neural networks
Universidad Autónoma de Chihuahua（奇瓦瓦自治大学）
在本文中，卷积神经网络（CNN）被用来分类的核磁共振图像的人脑与4种不同类型的肿瘤：脑膜瘤，胶质瘤和垂体瘤。在本项目的训练阶段，准确率为100%，同时，在评估阶段的精度为96%。
2022-06-22 cs.CV cs.LG eess.IV
Brain Abnormality Detection by Deep Convolutional Neural Network
Hasso Plattner Institute（哈索·普拉特纳研究院）
在本文中，我们描述了我们的方法分类的大脑磁共振（MR）图像到不同的异常和健康类的基础上，深神经网络。我们提出了我们的方法来检测高和低级别胶质瘤，多发性硬化症，阿尔茨海默病以及健康病例。我们的网络架构有十个学习层，包括七个卷积层和三个完全连接的层。我们已经取得了可喜的成果，在五个类别的大脑图像（分类任务）与95.7%的准确率。
2017-08-17 cs.CV q-bio.NC
Automatic Brain Tumor Segmentation using Convolutional Neural Networks with Test-Time Augmentation
King’s College London（伦敦国王学院）；University College London（伦敦大学学院）
脑肿瘤的自动分割对于脑肿瘤的诊断、手术规划和治疗效果评估具有重要意义。深度卷积神经网络（CNN）已被广泛用于此任务。由于用于训练的数据集相对较小，训练时的数据增强通常用于CNN的更好性能。最近的工作也证明了在测试时使用增强的有用性，除了训练时间，以实现更强大的预测。我们研究了测试时增强如何提高CNN在脑肿瘤分割中的性能。我们使用了不同的支撑网络结构，并在训练和测试时通过3D旋转，翻转，缩放和添加随机噪声来增强图像。利用BraTS 2018训练集和验证集进行的实验表明，测试时增强有助于提高脑肿瘤分割精度，并获得分割结果的不确定性估计。
2018-11-28 cs.CV
Auto-context Convolutional Neural Network (Auto-Net) for Brain Extraction in Magnetic Resonance Imaging
Northeastern University（东北大学）；Harvard Medical School（哈佛医学院）
大脑提取或全脑分割是许多神经图像分析流程中重要的第一步。因此，大脑提取的准确性和鲁棒性对于整个大脑分析过程的准确性至关重要。在这项研究中，为了设计一个基于学习的，几何无关的和免配准的大脑提取工具，我们提出了一种基于自动上下文卷积神经网络（CNN）的技术，其中固有的局部和全局图像特征通过不同窗口大小的2D补丁来学习。在这种架构中，用于三个不同方向（轴向、冠状和矢状）的三个并行2D卷积路径隐式地学习3D图像信息，而不需要计算上昂贵的3D卷积。由网络生成的后验概率图与原始图像块一起迭代地用作上下文信息，以学习大脑的局部形状和连通性，从而从非脑组织中提取它。我们从我们的算法中获得的大脑提取结果优于最近在两个公开的基准数据集，即LPBA 40和OASIS，其中我们获得的骰子重叠系数分别为97.42%和95.40%的文献中报道的结果。此外，我们评估了我们的算法在具有挑战性的问题，提取任意取向的胎儿大脑重建胎儿脑磁共振成像（MRI）数据集的性能。在该应用中，我们的算法比其他方法表现得更好（Dice系数：95.98%），其中其他方法由于MRI中胎儿大脑的非标准取向和几何形状而表现不佳。我们基于CNN的方法可以在具有挑战性的应用中提供准确的，几何无关的大脑提取。
2017-06-19 cs.CV
Segmentation of brain tumor on magnetic resonance imaging using a convolutional architecture
School of Biomedical Engineering（生物医学工程学院）；Universidad Autónoma de Ciudad Juárez（华雷斯自治大学）
大脑是控制认知过程和身体功能的复杂器官。大脑中的肿瘤是影响大脑正常功能和过程的加速细胞生长。MRI扫描提供了身体的详细图像，是诊断脑肿瘤最常见的测试之一。从磁共振成像中分割脑肿瘤的过程可以为诊断、治疗计划和结果预测提供有价值的指导。在这里，我们考虑使用深度学习架构进行肿瘤分割的问题。虽然所提出的架构是简单的，并且在计算上易于训练，但它能够达到0.95的$IoU$水平。
2020-03-17 cs.CV eess.IV
MRI Brain Tumor Segmentation using Random Forests and Fully Convolutional Networks
School of Computer Science, University of Lincoln（林肯大学计算机科学学院）；National Heart & Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）
在本文中，我们提出了一种新的基于学习的方法自动分割脑肿瘤的多模态MRI图像，它结合了两套机器学习和手工制作的功能。全卷积网络（FCN）形成机器学习的特征，基于纹理基元的特征被认为是手工制作的特征。随机森林（RF）用于将MRI图像体素分类为正常脑组织和肿瘤的不同部分，即水肿、坏死和增强肿瘤。在BRATS 2017挑战数据集上评价了该方法。结果表明，该方法提供了有前途的分割。对于整个肿瘤、核心和增强肿瘤，针对地面实况的自动脑肿瘤分割的平均Dice重叠度量分别为0.86、0.78和0.66。
2019-09-13 cs.CV
Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images Using Deformable Registration with Partial Convolutional Networks
Shanghai United Imaging Intelligence Co. Ltd（上海联影智能医疗科技有限公司）；Southern Medical University（南方医科大学）
在脑肿瘤的诊断和手术规划中，肿瘤区域的分割和周围正常组织的准确分析是医生必须要做的。病理变异性通常使得难以将良好标记的正常图谱配准到这样的图像以及自动分割/标记周围的正常脑组织。在本文中，我们提出了一种新的配准方法，首先使用U-Net分割脑肿瘤，然后使用部分卷积网络模拟肿瘤区域内错过的正常组织。然后，将标准的正常脑图谱图像配准到这样的肿瘤去除图像上，以分割/标记正常脑组织。这样，我们的新方法大大减少了变形配准中病理变异的影响，并很好地分割了脑肿瘤周围的正常组织。在实验中，我们使用MICCAI BraTS 2018 T1肿瘤图像来评估所提出的算法。通过与直接配准算法的比较，结果表明，与周围正常脑组织相比，脑灰质的Dice系数有明显提高。
2020-07-10 cs.CV eess.IV
Residual and Plain Convolutional Neural Networks for 3D Brain MRI Classification
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Institute for Information Transmission Problems（信息传输问题研究所）
近年来，有许多研究将深度学习算法应用于神经成像数据。这些研究中使用的管道大多需要多个处理步骤来进行特征提取，尽管图像分类深度学习的现代进步可以为自动特征生成和更直接的分析提供强大的框架。在本文中，我们展示了如何通过跳过这些特征提取步骤，使用残差和普通3D卷积神经网络架构来实现类似的性能。我们证明了阿尔茨海默病与轻度认知障碍和正常对照的阿尔茨海默病国家倡议（ADNI）的三维结构MRI脑扫描数据集的分类所提出的方法的性能。
2017-01-23 cs.CV
Graph Saliency Maps through Spectral Convolutional Networks: Application to Sex Classification with Brain Connectivity
Imperial College London（帝国理工学院）
图卷积网络（GCN）允许在非欧几里德域中应用传统的卷积运算，其中数据通常被建模为不规则图。医学成像，特别是神经科学研究通常依赖于这种图形表示，大脑连接网络是一个典型的例子，同时最终寻找大脑中表型或疾病相关差异的位点。然后，这些感兴趣区域（ROI）被认为与功能和/或行为密切相关。在此基础上，我们探索了用于ROI识别任务的GCN，并提出了一种基于类激活映射的视觉归因方法。通过进行性别分类任务的概念证明，我们表明，这种方法可以用来识别显着的节点（大脑区域）没有事先节点标签。基于对来自英国生物银行的5000多名参与者的神经成像数据进行的实验，我们证明了所提出的方法在突出个体间可重复区域方面的鲁棒性。我们进一步评估的神经生物学相关性的基础上，从大规模的英国生物银行研究的证据确定的区域。
2018-06-05 cs.CV
Joint brain tumor segmentation from multi MR sequences through a deep convolutional neural network
University of Isfahan（伊斯法罕大学）；Geneva University Hospital（日内瓦大学医院）
脑肿瘤分割在诊断和治疗计划中具有很高的贡献。手动脑肿瘤描绘是一项耗时且繁琐的任务，并且取决于放射科医师的技能。脑肿瘤的自动分割是非常重要的，并且不依赖于观察间或观察内。本研究的目的是通过深度学习方法，从FLAIR、T1加权、T2加权和T1加权对比增强MR序列中自动描绘脑肿瘤，重点是确定哪种MR序列单独或其组合将导致其中的最高准确度。
2022-03-07 cs.CV eess.IV physics.med-ph
Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis
Hangzhou Dianzi University（杭州电子科技大学）；Zhejiang University（浙江大学）；Shenzhen Research Institute of Big Data（深圳大数据研究院）
Brain-HGCN通过双曲几何建模脑功能网络分层结构，优于传统欧几里得GNNs，在精神疾病分类中表现优异。
2026-03-01 cs.CV
Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional Neural Networks
Aimech Technologies Corp.（Aimech科技公司）；Air University（航空大学）
脑肿瘤是最具侵袭性的肿瘤，如果在后期诊断，可能会导致预期寿命降低。人工识别脑肿瘤是繁琐的，容易出错。误诊会导致错误的治疗，从而降低患者的生存机会。医学共振成像（MRI）是用于诊断脑肿瘤及其类型的常规方法。本文试图从诊断过程中消除人工过程，而使用机器学习。我们提出了使用预训练的卷积神经网络（CNN）进行脑肿瘤的诊断和分类。三种类型的肿瘤与一类非肿瘤MRI图像进行分类。已使用的网络有ResNet50、EfficientNetB1、EfficientNetB7、EfficientNetV2B1。EfficientNet由于其可扩展性而显示出有希望的结果。EfficientNetB1显示了最好的结果，训练和验证准确率分别为87.67%和89.55%。
2022-07-27 cs.CV eess.IV
A Convolutional-based Model for Early Prediction of Alzheimer's based on the Dementia Stage in the MRI Brain Images
School of Information Technology（信息技术学院）；University of Cincinnati（辛辛那提大学）
老年痴呆症是一种脑部退化性疾病。是成年人痴呆症的主要原因，并逐渐破坏大脑记忆。尽管阿尔茨海默病目前还无法治愈，但早期诊断将有助于减轻疾病的严重程度。因此，阿尔茨海默氏症的早期诊断可能有助于减少或阻止疾病的进展。在本文中，我们提出了一个基于深度卷积神经网络的学习模型，用于根据磁共振成像（MRI）图像来检测阿尔茨海默病的早期发作，以确定成人痴呆症的阶段。
2023-02-15 cs.CV cs.LG
BIRNet: Brain Image Registration Using Dual-Supervised Fully Convolutional Networks
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Northwestern Polytechnical University（西北工业大学）；Korea University（高丽大学）
在本文中，我们提出了一种通过预测图像外观变形来进行图像配准的深度学习方法。由于获得用于训练的地面真实变形场可能具有挑战性，因此我们设计了一个受双重指导的完全卷积网络：（1）使用现有配准方法获得的变形场进行粗指导;（2）使用图像相似性进行细指导。后一种指导有助于避免过度依赖训练变形场的监督，这可能是不准确的。为了进行有效的训练，我们进一步改进了深度卷积网络，包括间隙填充、分层丢失和多源策略。在多种数据集上的实验表明，与现有方法相比，该方法具有良好的配准精度和效率。
2018-02-13 cs.CV
AGD-Autoencoder: Attention Gated Deep Convolutional Autoencoder for Brain Tumor Segmentation
脑肿瘤分割是医学图像分析中的一个具有挑战性的问题。其终点是生成在fMRI筛查中准确识别脑肿瘤区域的显著掩模。在本文中，我们提出了一种新的注意力门（AG模型）脑肿瘤分割，利用边缘检测单元和注意力门控网络突出和分割的功能磁共振成像图像的显着区域。该功能使我们能够消除必须明确指向受损区域（外部组织定位）并按照经典计算机视觉技术进行分类的必要性。AG可以很容易地集成到深度卷积神经网络（CNN）中。最小的计算开销是必需的，而AGs显着提高灵敏度分数。我们表明，边缘检测器与注意力门控机制一起提供了足够的方法，用于脑分割，达到0.78的IOU
2021-07-07 cs.CV cs.LG eess.IV
Parcellation of Visual Cortex on high-resolution histological Brain Sections using Convolutional Neural Networks
1 Institute of Neuroscience；O. Vogt Institute for Brain Research, Heinrich-Heine University D\"usseldorf, Germany 3 Institut f\"ur Informatik, Heinrich-Heine University D\"usseldorf, Germany
组织学切片的显微镜分析被认为是验证人脑中结构包裹的“金标准”。它的高分辨率允许研究细胞分布的层状和柱状模式，这为皮层区域和网络的模拟奠定了重要基础。然而，这样的细胞结构映射是半自动的、耗时的过程，其不与高通量成像成比例。我们提出了一种自动化的方法，在2um分辨率的组织切片。它是基于一个卷积神经网络，结合从概率图谱的拓扑信息与纹理特征，从高分辨率细胞体染色图像。该模型应用于视觉区域，并在稀疏的部分注释集上进行训练。我们展示了预测是如何转移到新的大脑和空间一致的部分。
2017-05-30 cs.CV
Brain Tumor Detection using Convolutional Neural Networks with Skip Connections
University of Southern California（南加州大学）
该研究面向MRI脑肿瘤良恶性分类，比较加宽、加深及跳跃连接等CNN优化方式，证明合理组合可超越基线模型。
2023-07-14 cs.CV cs.LG eess.IV
U-SegNet: Fully Convolutional Neural Network based Automated Brain tissue segmentation Tool
Indraprastha Institute of Information Technology-Delhi (IIIT-Delhi)（德里英德拉普拉斯塔信息技术学院（IIIT-德里））
从磁共振图像（MRI）中将脑组织自动分割成白质（WM）、灰质（GM）和脑脊液（CSF）有助于诊断神经疾病，例如癫痫、阿尔茨海默病、多发性硬化等。然而，皮质外围的薄GM结构和组织边界上的平滑过渡，例如GM和WM之间的过渡，或者WM和CSF在构建可靠的分割工具方面造成困难。本文提出了一种全卷积神经网络（FCN）工具，它是两种广泛使用的深度学习分割架构SegNet和U-Net的混合，用于改进脑组织分割。我们提出了一个跳跃连接的灵感来自U-Net，在SegNet architetcure，将精细的多尺度信息，更好地组织边界识别。我们表明，所提出的U-SegNet架构，提高分割性能，平均骰子比，89.74%，广泛使用的IBSR数据集组成的T-1加权MRI卷的18个科目。
2018-06-12 cs.CV
SFCNeXt: a simple fully convolutional network for effective brain age estimation with small sample size
Zhejiang University（浙江大学）；Binjiang Institute of Zhejiang University（浙江大学滨江研究院）；Arizona State University（亚利桑那州立大学）；The First Hospital of Lanzhou University（兰州大学第一医院）
本文提出轻量级全卷积网络SFCNeXt，通过单路径编码ConvNeXt和混合排序损失，在小样本且年龄分布有偏的数据上实现高效脑龄估计。
2023-05-30 cs.CV cs.LG eess.IV
Deep convolutional neural networks for brain image analysis on magnetic resonance imaging: a review
University of Girona（赫罗纳大学）；Computer Vision and Robotics Institute（计算机视觉与机器人研究所）
近年来，深度卷积神经网络（CNN）在各种计算机视觉问题中表现出破纪录的性能，例如视觉对象识别，检测和分割。这些方法也被用于医学图像分析领域的病变分割，解剖分割和分类。我们提出了一个广泛的文献综述CNN技术应用于脑磁共振成像（MRI）分析，专注于架构，预处理，数据准备和后处理策略，在这些作品。本研究的目的有三个方面。我们的主要目标是报告不同的CNN架构是如何发展的，讨论最先进的策略，浓缩他们使用公共数据集获得的结果，并检查他们的利弊。其次，本文旨在详细参考深度CNN用于脑MRI分析的研究活动。最后，我们对CNN的未来提出了一个观点，其中我们暗示了未来几年的一些研究方向。
2018-06-11 cs.CV
Using Singular Value Decomposition in a Convolutional Neural Network to Improve Brain Tumor Segmentation Accuracy
Shahid Beheshti University（贝赫什提大学）
本研究提出在卷积神经网络中结合MSVD算法对脑部MRI图像降噪以改善脑肿瘤分割，结果显示准确率提升2.4%且加快了收敛速度。
2024-01-04 cs.CV eess.IV
Heterogeneous Graph Convolutional Neural Network via Hodge-Laplacian for Brain Functional Data
National University of Singapore（新加坡国立大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；NUS (Suzhou) Research Institute（新国大苏研院）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所）；The N.1 Institute for Health, National University of Singapore（新加坡国立大学N.1健康研究所）；The Johns Hopkins University（约翰斯·霍普金斯大学）
本研究提出了一种新的异构图卷积神经网络（HGCNN）处理复杂的脑功能磁共振成像数据在区域和跨区域的水平。通过引入$k-th$ Hodge-Laplacian（HL）算子，我们给出了一个非均匀图上谱滤波器的一般形式.特别地，我们提出了HL谱滤波器的Laguerre多项式近似，并证明了它们在图上的空间局部化与多项式阶数有关。此外，基于边界算子在单纯形图上的双射性质，我们提出了一种通用的拓扑图池化方法（TGPool），该方法可用于任意维的单纯形。本研究设计了HL-节点，HL-边缘和HL-HGCNN神经网络，分别学习图节点，边缘水平和两者的信号表示。我们的实验采用来自青少年大脑认知发展（ABCD; n=7693）的功能磁共振成像来预测一般智力。我们的研究结果表明，HL边缘网络的HL节点网络的优势时，功能性脑连接被认为是功能。HL-HGCNN优于最先进的图神经网络（GNNs）方法，例如GAT、BrainGNN、dGCN、BrainNetCNN和Hypergraph NN。从HL-HGCNN中学习到的功能连接特征在解释与一般智力相关的神经回路方面具有意义。
2023-02-18 cs.CV
Hydrocephalus verification on brain magnetic resonance images with deep convolutional neural networks and "transfer learning" technique
Novel Software Systems（诺维尔软件系统公司）；Ya. L. Tsivian Novosibirsk Research Institute of Traumatology and Orthopaedics（雅·勒·齐维扬新西伯利亚创伤与骨科研究所）；A.P.Ershov Institute of Informatics Systems（阿·彼·叶尔绍夫信息系统研究所）
脑积水可以是一种独立的疾病，也可以是多种病理的伴随症状，因此是当今临床实践中的一个紧迫问题。深度学习是一项不断发展的技术，是机器学习更广泛领域的一部分。深度学习目前在放射学领域被积极研究。本研究的目的是评估深度学习在使用MRI图像诊断脑积水方面的适用性。我们回顾性地收集、注释和预处理了200例有和没有脑积水放射学征象的患者的脑MRI数据。我们应用最先进的深度卷积神经网络结合迁移学习方法来训练脑积水分类器模型。使用深度卷积神经网络，我们实现了高质量的机器学习模型。脑积水体征识别的准确性、敏感性和特异性分别为97%、98%和96%。在这项研究中，我们证明了深度神经网络的能力，以确定脑积水综合征使用脑MRI图像。应用迁移学习技术，虽然训练的数据相当有限，但仍能获得高质量的分类结果。
2019-09-23 cs.CV
Isointense Infant Brain Segmentation with a Hyper-dense Connected Convolutional Neural Network
Xidian University（西安电子科技大学）
新生儿脑磁共振（MR）分割是一个具有挑战性的问题，由于图像质量差，低对比度之间的白色和灰色物质区域。针对这一问题，现有的大多数方法都是基于多图谱标签融合策略，这是耗时和敏感的配准错误。作为这些方法的替代方案，我们提出了一种超密集连接的3D卷积神经网络，该网络采用MR-T1和T2图像作为输入，在两个单独的路径中独立处理。与以前的密集连接网络的一个重要区别是使用来自相同和不同路径的层之间的直接连接。采用这种密集的连接有助于学习过程，包括深度监督和改善梯度流。我们评估了我们的方法的数据从MICCAI大挑战6个月的婴儿脑MRI分割（iSEG），获得非常有竞争力的结果。在21个团队中，我们的方法在大多数指标中排名第一或第二，转化为最先进的性能。
2019-03-02 cs.CV
A Convolutional Autoencoder Approach to Learn Volumetric Shape Representations for Brain Structures
Meinig School of Biomedical Engineering（迈尼生物医学工程学院）；School of Electrical and Computer Engineering（电气与计算机工程学院）；Cornell University（康奈尔大学）
本研究提出一种新型卷积自编码器机器学习策略，无需预处理即可从脑结构体积二值分割图像中学习仿射不变的形状表示，自动增强个体间差异并最小化个体内方差，在MRI脑结构形状检索任务上性能优于现有基准方法。
2018-10-17 cs.CV
Multimodal MRI brain tumor segmentation using random forests with features learned from fully convolutional neural network
University of Lincoln（林肯大学）
在本文中，我们提出了一种新的学习为基础的方法自动分割脑肿瘤的多模态MRI图像。机器学习的功能从全卷积神经网络（FCN）和手工设计的纹理特征被用来分类的MRI图像体素。具有逐像素预测的分数图被用作使用FCN从多模态MRI训练数据集学习的特征图。然后将学习到的特征应用于随机Forest，以将每个MRI图像体素分类为正常脑组织和肿瘤的不同部分。在BRATS 2013挑战数据集上评价了该方法。结果表明，随机森林分类器的应用程序，多模态MRI图像使用机器学习的功能的基础上FCN和手工设计的功能的基础上的纹理基元提供了有前途的分割。对于完整肿瘤、核心肿瘤和增强肿瘤，针对地面真实的自动脑肿瘤分割的Dice重叠度量分别为0.88、080和0.73。
2017-04-26 cs.CV cs.LG
Emotional Brain State Classification on fMRI Data Using Deep Residual and Convolutional Networks
Columbia University（哥伦比亚大学）；New York State Psychiatric Institute（纽约州精神病学研究所）
基于功能磁共振成像（fMRI）数据的情绪脑状态分类的目标是识别实验期间受试者执行的特定情绪任务相关的脑活动模式。使用功能磁共振成像数据区分情绪大脑状态和其他大脑状态已经被证明是具有挑战性的，这是由于两个因素：难以在短时间内生成快速而准确的预测，以及难以提取概括到看不见的主体的情绪特征。为了应对这些挑战，我们进行了一项实验，让22名受试者观看旨在刺激消极、中性或休息情绪反应的图片，同时使用功能磁共振成像测量他们的大脑活动。然后，我们开发了两种不同的基于卷积的方法来解码情感大脑状态，只使用来自单个最小预处理（切片定时和重新排列）fMRI卷的空间信息。在我们的第一种方法中，我们训练了一个1D卷积网络（准确率为84.9%;机会水平为33%），使用单向方差分析（ANOVA）体素选择结合超对齐对3种情绪状况进行分类。在我们的第二种方法中，我们训练了一个3D ResNet-50模型（准确率为78.0%;概率水平为50%），直接从单个3D fMRI体积中分类2种情绪状况。我们的卷积和残差分类器成功地学习了组级别的情感特征，并可以在毫秒内从fMRI卷中解码情感条件。这些方法有可能用于脑机接口和实时功能磁共振成像神经反馈研究。
2022-10-31 cs.CV cs.LG eess.IV
Scalable multimodal convolutional networks for brain tumour segmentation
University College London（伦敦大学学院）；University College London Hospitals（伦敦大学学院医院）；Wellcome/EPSRC Centre for Surgical and Interventional Science, UCL（惠康/EPSRC 外科与介入科学中心，伦敦大学学院）
脑肿瘤分割在计算机辅助手术中起着关键作用。深度神经网络显著提高了自动分割的准确性，然而这些模型往往难以推广到与它们所设计的成像模态不同的成像模态，从而限制了它们的应用。例如，最初设计用于单模态T1 MRI的脑分组的网络架构不能容易地转化为联合利用T1、T1c、Flair和T2 MRI的有效肿瘤分割网络。为了解决这个问题，我们提出了一种新的可扩展的多模态深度学习架构，使用新的嵌套结构，显式地利用内部或跨模态的深度特征。这旨在使架构的早期层结构化和稀疏化，以便最终架构可以扩展到模态的数量。我们评估了脑肿瘤分割的可扩展架构，并证明了其正规化效果相比，传统的拼接方法。
2017-06-25 cs.CV
Brain-mediated Transfer Learning of Convolutional Neural Networks
National Institute of Information and Communications Technology（日本信息通信研究机构）；NTT DATA Corporation（NTT数据公司）
人类大脑可以从少量样本中有效地学习新任务，这表明大脑可以将其先验知识转移到不同领域的任务中。该功能类似于机器学习领域中的迁移学习（TL）。TL在特定任务域中使用经过良好训练的特征空间，以提高训练数据不足的新任务的性能。具有丰富特征表示（例如卷积神经网络（CNN）特征）的TL在不同任务域中表现出较高的泛化能力。然而，这样的TL仍然不足以使机器学习获得与人脑相当的泛化能力。为了研究大脑的内部表征是否可以用来实现更有效的TL，我们介绍了一种由人脑介导的TL方法。我们的方法将CNN中视听输入的特征表示转换为个体大脑激活模式中的特征表示，这些特征表示通过使用测量的大脑反应提前学习到的关联来实现。然后，估计标签反映人类的认知和行为引起的视听输入，转换表示用于TL。我们证明，我们的脑介导的TL（BTL）显示出更高的性能，在标签估计比标准TL。此外，我们说明了不同的大脑介导的估计不同的大脑，和变异性反映了个人的感知变异。因此，我们的BTL提供了一个框架来提高机器学习特征表示的泛化能力，并使机器学习能够估计类似人类的认知和行为，包括个体差异。
2019-10-09 cs.CV q-bio.NC
Classification of developmental and brain disorders via graph convolutional aggregation
Concordia Institute for Information Systems Engineering（康考迪亚信息系统工程研究所）；Concordia University（康考迪亚大学）
本研究提出一种聚合器归一化图卷积网络，结合跳跃连接和恒等映射，将成像与非成像特征纳入图节点和边，用于自闭症和阿尔茨海默病分类，在ABIDE和ADNI上分别实现50%和13.56%的相对准确率提升。
2023-11-16 cs.CV
Fast ConvNets Using Group-wise Brain Damage
我们重新审视了脑损伤的概念，即神经网络系数的修剪，并建议如何修改脑损伤并用于加速卷积层。该方法使用的事实，许多有效的实现减少广义卷积矩阵乘法。建议的脑损伤过程通过将组稀疏正则化添加到标准训练过程中，以组方式修剪卷积核张量。经过这种逐组修剪后，卷积可以简化为稀疏稠密矩阵的乘法，从而提高速度。在AlexNet上的比较中，该方法取得了非常有竞争力的性能。
2015-12-07 cs.CV
ASMCNN: An Efficient Brain Extraction Using Active Shape Model and Convolutional Neural Networks
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Dublin City University（都柏林城市大学）；Dongguk University（东国大学）；University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）；University of Oulu（奥卢大学）；University of Architecture of Ho Chi Minh City（胡志明市建筑大学）；Saigon University（西贡大学）；VNU-HCMUS（越南胡志明市国家大学自然科学大学）；Vietnam National University, Ho Chi Minh City（越南胡志明市国家大学）
脑提取（颅骨剥离）是神经影像学中的一个具有挑战性的问题。这是由于数据采集条件的可变性或图像的异常，使得大脑形态和强度特征多变和复杂。本文将主动形状模型（ASM）和卷积神经网络（CNN）相结合，提出了一种用于磁共振成像（MRI）扫描中颅骨剥离的算法，即ASM CNN。我们处理矢状面中的2D图像序列，而不是处理3D结构。首先，我们将图像分成不同的组，使得在每个组中，大脑边界的形状和结构具有相似的外观。其次，一个修改后的版本的ASM是用来检测大脑边界，利用每个组的先验知识。最后，CNN和后处理方法，包括条件随机场（CRF），高斯过程，和一些特殊的规则，应用到细化分割轮廓。实验结果表明，我们提出的方法优于当前国家的最先进的算法在所有实验中的显着保证金。
2022-01-28 cs.CV
Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection
脑肿瘤是大脑或中央椎管内细胞的肿块或异常生长，症状包括头痛、癫痫发作、四肢无力或麻木、性格或行为改变、恶心、呕吐、视力或听力问题和头晕。脑肿瘤的常规诊断涉及一些测试和程序，其中可能包括考虑病史，体格检查，成像测试（如CT或MRI扫描）和活检（切除和检查一小块肿瘤组织）。这些程序虽然有效，但由于手动检查大脑扫描和全面评估测试结果，因此需要耗费大量精力和时间。在许多医学研究中已经确定，早期诊断和治疗的脑肿瘤通常具有更好的预后。多年来，深度学习技术不断发展，并在医学成像中对脑肿瘤进行分类方面取得了令人印象深刻和更快的结果，几乎没有人为干扰。这项研究提出了一种使用卷积神经网络（CNN）和极端梯度增强（XGBoost）相结合的早期脑肿瘤检测模型。与纯CNN相比，所提出的名为C-XGBoost的模型具有较低的模型复杂度，使得它更容易训练并且不太容易过拟合。它还能够更好地处理不平衡和非结构化数据，这是现实世界医学图像分类任务中的常见问题。为了评估所提出的模型的有效性，我们采用了一个数据集的脑MRI图像与肿瘤和没有。
2023-01-05 cs.CV eess.IV
Advanced Brain Tumor Segmentation Using EMCAD: Efficient Multi-scale Convolutional Attention Decoding
Department of Computer Science（计算机科学系）；Texas Tech University（德克萨斯理工大学）
针对脑肿瘤分割中解码器计算成本高的问题，提出EMCAD高效多尺度卷积注意力解码器，在BraTs2020数据集上获得最佳Dice 0.31，兼顾性能与效率。
2025-09-05 cs.AI cs.CV cs.LG
Automated fetal brain extraction from clinical Ultrasound volumes using 3D Convolutional Neural Networks
Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（牛津大学工程科学系生物医学工程研究所）；Nuffield Department of Obstetrics and Gynaecology, John Radcliffe Hospital, University of Oxford（牛津大学约翰拉德克利夫医院妇产科）；Big Data Institute, Li Ka Shing Centre for Health Information and Discovery, University of Oxford（牛津大学李兆基健康信息与发现中心大数据研究所）
为了提高大多数神经图像分析流水线的性能，大脑提取被用作图像处理中的基本第一步。但在胎儿大脑发育的情况下，需要一种可靠的美国专用工具。在这项工作中，我们提出了一个完全自动化的三维CNN的方法，胎儿脑提取从三维美国临床体积与最小的预处理。我们的方法准确可靠地提取大脑，而不管这种成像方式固有的大数据变化。它还在14至31周的胎龄范围内始终如一地执行，无论受试者的姿势变化，尺度，甚至图像中的部分特征遮挡，都优于所有当前的替代方案。
2019-11-19 cs.CV eess.IV
Brain segmentation based on multi-atlas guided 3D fully convolutional network ensembles
School of Electronics and Information Technology, Sun Yat-sen University（中山大学电子与信息工程学院）；Department of Electrical and Electronic Engineering, Southern University of Science and Technology（南方科技大学电子与电气工程学院）
本文提出多图谱引导的3D全卷积网络集成模型M-FCN，通过自适应图像块、卷积-反卷积特征嵌入和集成策略提升脑部ROI分割精度，并在两个MRI数据集上验证其优于现有方法。
2023-08-09 cs.CV
Bayesian convolutional neural network based MRI brain extraction on nonhuman primates
University of Wisconsin – Madison（威斯康星大学麦迪逊分校）
磁共振图像（MRI）的脑提取或颅骨剥离是神经影像学研究中必不可少的步骤，其准确性会严重影响后续的图像处理过程。目前的自动脑提取方法在人脑上取得了良好的效果，但在非人灵长类动物上却往往不能令人满意，而非人灵长类动物是神经科学研究的必要组成部分。为了克服非人类灵长类动物大脑提取的挑战，我们提出了一种结合深度贝叶斯卷积神经网络（CNN）和全连接三维（3D）条件随机场（CRF）的全自动大脑提取管道。深度贝叶斯CNN，贝叶斯SegNet，被用作核心分割引擎。作为一个概率网络，它不仅能够执行精确的高分辨率像素级脑分割，而且能够在测试阶段通过具有丢弃的Monte Carlo抽样来测量模型的不确定性。然后，完全连接的3D CRF用于在脑体积的整个3D上下文中细化来自贝叶斯SegNet的概率结果。所提出的方法进行了评估与手动脑提取的数据集，包括100个非人类灵长类动物的T1 w图像。我们的方法优于六种流行的公开可用的大脑提取软件包和三种成熟的基于深度学习的方法，平均Dice系数为0.985，平均对称表面距离为0.220 mm。通过统计检验验证了所有比较方法的更好性能（所有p值<10-4，双侧，Bonferroni校正）。在所有100名受试者中，非人灵长类动物大脑提取模型的最大不确定性平均值为0.116。
2020-05-18 cs.CV eess.IV
Multi-pooling 3D Convolutional Neural Network for fMRI Classification of Visual Brain States
School of Informatics（信息学院）；Kochi University of Technology（高知工科大学）
本文提出多池化3D卷积神经网络（MP3DCNN），通过在3DCNN前两层加入池化连接分支，提升了视觉脑状态fMRI在类别及子类别分类任务中的准确率。
2023-03-25 cs.CV cs.LG eess.IV
Deep Convolutional Neural Networks Model-based Brain Tumor Detection in Brain MRI Images
University of Hyogo（兵库大学）；Vanderbilt University（范德堡大学）；BRAC University（BRAC大学）
多年来，借助磁共振成像（MRI）诊断脑肿瘤已经获得了巨大的突出地位，主要是在医学领域。仅借助于MR成像来检测和/或分割脑肿瘤是以巨大的时间和精力为代价实现的，并且需要来自参与人员的大量专业知识。这证实了建立自主的脑肿瘤诊断模型的必要性。我们的工作涉及实现深度卷积神经网络（DCNN），用于从MR图像诊断脑肿瘤。本文中使用的数据集由253张脑部MR图像组成，其中155张图像报告有肿瘤。我们的模型可以挑选出的MR图像与肿瘤的总体准确率为96%。在测试数据集中，该模型优于现有的诊断脑肿瘤的传统方法（精度= 0.93，灵敏度= 1.00，F1评分= 0.97）。此外，该模型的平均精确度-召回率得分为0.93，Cohen's Kappa为0.91，AUC为0.95。因此，所提出的模型可以帮助临床专家验证患者是否患有脑肿瘤，从而加快治疗过程。
2020-10-03 cs.CV cs.LG cs.NE
Classification of EEG-Based Brain Connectivity Networks in Schizophrenia Using a Multi-Domain Connectome Convolutional Neural Network
Universiti Teknologi Malaysia（马来西亚理工大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
我们利用脑功能连接的改变模式作为神经精神病患者自动判别分析的特征。深度学习方法最近才被引入到功能性网络分类中，用于fMRI，并且所提出的架构基本上集中在单一类型的连接性度量上。我们提出了一个深度卷积神经网络（CNN）框架，用于对精神分裂症（SZ）患者的脑电图（EEG）衍生脑连接体进行分类。为了捕捉在SZ中断连接的互补方面，我们探索各种连接功能的组合，包括有效连接的时间和频域指标的基础上向量自回归模型和部分有向相干性，和复杂的网络拓扑结构的网络措施。我们设计了一种新的多域连接体CNN（MDC-CNN）的基础上并行集成的一维和二维CNN集成的功能，从不同的域和维度使用不同的融合策略。多个卷积层从EEG连接性中学习到的分层潜在表示揭示了SZ和健康对照（HC）之间明显的群体差异。在一个大的静息状态EEG数据集上的结果表明，所提出的CNN显着优于传统的支持向量机分类器。具有组合连接特征的MDC-CNN进一步提高了使用单个特征的单域CNN的性能，实现了具有决策级融合的$93.06\%$的显著准确性。通过整合来自不同大脑连接描述符的信息，所提出的MDC-CNN能够准确地区分SZ和HC。新的框架是潜在的有用的开发SZ和其他疾病的诊断工具。
2019-03-21 cs.CV cs.LG q-bio.NC
Automatic brain tissue segmentation in fetal MRI using convolutional neural networks
University Medical Center Utrecht（乌得勒支大学医学中心）；Wilhelmina Children’s Hospital（威廉明娜儿童医院）；Utrecht University（乌得勒支大学）
胎儿的磁共振图像使临床医生能够在发育的早期阶段发现大脑异常。胎儿MRI中体积和形态分析的基础是将胎儿脑分割成不同的组织类别。手动分割是繁琐和耗时的，因此自动分割可以大大简化程序。然而，这些扫描中的自动脑组织分割是具有挑战性的，这是由于包括强度不均匀性的伪影，特别是由扫描期间的自发胎动引起的。与估计偏置场以去除强度不均匀性作为分割预处理步骤的方法不同，我们建议使用卷积神经网络进行分割，该卷积神经网络利用具有综合引入的强度不均匀性的图像作为数据增强。该方法首先使用CNN来提取颅内体积。然后，采用另一个具有相同结构的CNN将提取的体积分割成七个脑组织类别：小脑、基底节和丘脑、脑室脑脊液、白质、脑干、皮质灰质和脑外脑脊液。为了使该方法适用于显示强度不均匀性伪影的切片，通过将具有随机偏移和方向的线性梯度的组合应用于没有伪影的图像切片来增强训练数据。
2019-06-11 cs.CV eess.IV
Convolutional Neural Networks for cytoarchitectonic brain mapping at large scale
Research Centre Jülich（尤利希研究中心）；Helmholtz Zentrum München（亥姆霍兹慕尼黑中心）；Heinrich-Heine-University Düsseldorf（杜塞尔多夫海因里希·海涅大学）；University Hospital Düsseldorf（杜塞尔多夫大学医院）；University College London（伦敦大学学院）；McGill University（麦吉尔大学）
人脑图谱为来自不同大脑的不同层次的大脑组织特征数据提供了空间参考系统。细胞结构是大脑微观结构组织的基本原则，因为神经元细胞排列和组成的区域差异是连接和功能变化的指标。自动化扫描程序和不依赖于计算机的方法是可靠地识别细胞结构区域和实现可重复的脑分离模型的先决条件。当从单个感兴趣区域的分析转向大系列全脑切片的高通量扫描时，时间成为一个关键因素。在这里，我们提出了一个新的工作流程映射细胞结构领域的大系列细胞体染色的组织切片的人死后的大脑。它基于深度卷积神经网络（CNN），该网络在一对带有注释的切片图像上进行训练，其间有大量未注释的切片。该模型学习以高准确性创建所有缺失的注释，并且比我们以前基于独立于所有者的映射的工作流程更快。新的工作流程不需要预先进行切片的3D重建，并且对组织学伪影具有鲁棒性。它可以有效地处理大小为几TB的大型数据集。该工作流被集成到一个Web界面中，允许在没有深度学习和批处理计算专业知识的情况下访问。将深度神经网络应用于细胞结构映射开辟了新的视角，以实现大脑区域的高分辨率模型，引入CNN来识别大脑区域的边界。
2020-11-25 cs.CV eess.IV
Segmentation of Glioma Tumors in Brain Using Deep Convolutional Neural Network
University of Engineering & Technology, Taxila（塔克西拉工程技术大学）
使用基于分割的方法检测脑肿瘤在受试者的存活取决于准确和及时的临床诊断的情况下是至关重要的。神经胶质瘤是最常见的肿瘤，具有不规则的形状和模糊的边界，使其成为最难检测的肿瘤之一。脑肿瘤分割的自动化仍然是一个具有挑战性的问题，主要是由于其结构的显着变化。提出了一种基于深度卷积神经网络（DCNN）的脑肿瘤自动分割算法。基于补丁的方法以及初始模块用于通过从输入图像中提取两个不同大小的同心补丁来训练深度网络。深度神经网络的最新发展，如drop-out，批量归一化，非线性激活和inception模块，用于构建一个新的非线性nexus架构。该模块克服了由于数据稀缺而产生的过拟合问题，使用辍学正则化。在预处理步骤中对图像进行归一化和偏置场校正，然后将提取的图像块通过DCNN，DCNN将输出标签分配给每个图像块的中心像素。形态学算子用于后处理，以去除边缘周围的小误报。介绍了一种两阶段加权训练方法，并使用BRATS 2013和BRATS 2015数据集进行了评估，在类似的设置下，它提高了最先进技术的性能参数。
2017-08-01 cs.CV
Interpretable Graph Convolutional Network of Multi-Modality Brain Imaging for Alzheimer's Disease Diagnosis
Lehigh University（里海大学）；University of Pennsylvania（宾夕法尼亚大学）
识别与特定神经系统疾病相关的脑区域对于生物标志物和诊断研究非常重要。在本文中，我们提出了一个可解释的图卷积网络（GCN）框架，用于使用多模态脑成像数据对阿尔茨海默病（AD）进行识别和分类。具体来说，我们扩展了梯度类激活映射（Grad-CAM）技术，以量化GCN从大脑连接模式中识别出的最具鉴别力的特征。然后，我们利用它们来找到签名感兴趣的区域（ROI），通过检测健康对照（HC），轻度认知障碍（MCI）和AD组的区域之间的特征差异。我们在ADNI数据库上进行了实验，使用了三种模式的成像数据，包括VBM-MRI，FDG-PET和AV45-PET，并表明通过我们的方法学习的ROI特征对于提高临床评分预测和疾病状态识别的性能是有效的。它还成功地鉴定了与AD和MCI相关的生物标志物。
2022-04-27 cs.CV cs.LG eess.IV
