Transferlernen mit intelligenter Auswahl von Trainingsdaten zur Vorhersage von Alzheimer-Krankheit

Die Erkennung von Alzheimer-Krankheit (AD) aus neuroimaging Daten wie MRT durch maschinelles Lernen war in den letzten Jahren Gegenstand intensiver Forschung. Der jüngste Erfolg des Deep Learning in der Computer Vision hat diese Forschung vorangetrieben. Zu den häufigen Einschränkungen solcher Algorithmen gehören die Abhängigkeit von einer großen Anzahl von Trainingsbildern und die Notwendigkeit einer sorgfältigen Optimierung der Architektur tiefer Netzwerke. In diesem Papier versuchen wir, diese Probleme mit Transferlernen zu lösen, wobei die hochmoderne VGG-Architektur mit vortrainierten Gewichten aus großen Benchmark-Datensätzen, die aus natürlichen Bildern bestehen, initialisiert wird. Das Netzwerk wird dann durch schichtweises Tuning feinabgestimmt, wobei nur eine vordefinierte Gruppe von Schichten auf MRT-Bildern trainiert wird. Um die Größe der Trainingsdaten zu verringern, verwenden wir Bildentropie, um die informativsten Schnitte auszuwählen. Durch Experimente mit dem ADNI-Datensatz zeigen wir, dass wir mit einer Trainingsgröße, die 10 bis 20 Mal kleiner ist als die anderer zeitgenössischer Methoden, die hochmoderne Leistung in den Klassifizierungsproblemen AD vs. NC, AD vs. MCI und MCI vs. NC erreichen, mit einem Anstieg von 4 % und 7 % in der Genauigkeit gegenüber dem Stand der Technik für AD vs. MCI und MCI vs. NC. Wir bieten auch eine detaillierte Analyse des Effekts der intelligenten Auswahl der Trainingsdaten, der Veränderung der Trainingsgröße und der Änderung der Anzahl der anzupassenden Schichten. Schließlich stellen wir Klassenaktivierungskarten (CAM) bereit, die zeigen, wie das vorgeschlagene Modell auf diskriminative Bildregionen fokussiert, die neuropathologisch relevant sind und dem Gesundheitsdienstleister bei der Interpretation des Entscheidungsprozesses des Modells helfen können.