Ensemble Vision Transformer zur Diagnose von Demenz

In den letzten Jahren hat das Deep Learning an Bedeutung in der computerunterstützten Diagnose der Alzheimer-Krankheit (AD) gewonnen. Diese Studie präsentiert einen neuartigen Ansatz, den Monte Carlo Ensemble Vision Transformer (MC-ViT), der einen Ensemble-Ansatz mit Vision Transformers (ViT) entwickelt. Anstelle traditioneller Ensemble-Methoden, die mehrere Lerner einsetzen, nutzt unser Ansatz einen einzelnen Vision Transformer-Lerner. Durch den Einsatz von Monte Carlo-Sampling erzeugt diese Methode ein breites Spektrum an Klassifikationsentscheidungen, was die Leistung des MC-ViT verbessert. Diese neuartige Technik überwindet geschickt die Einschränkung von 3D-Patch-Convolutional Neural Networks, die nur Teile der gesamten Gehirnanatomie charakterisieren, und ebnet den Weg für ein neuronales Netzwerk, das in der Lage ist, 3D-Interfeature-Korrelationen zu erkennen. Bewertungen mit dem Alzheimer Disease Neuroimaging Initiative (ADNI) Datensatz mit 7199 Scans und den Open Access Series of Imaging Studies-3 (OASIS-3) mit 1992 Scans zeigten seine Leistung. Mit minimaler Vorverarbeitung erreichte unser Ansatz eine beeindruckende Genauigkeit von 90 % bei der AD-Klassifikation und übertraf sowohl 2D-Slice-CNNs als auch 3D-CNNs.