Classificação da Doença de Alzheimer via Vision Transformer

Modelos profundos são poderosos para capturar a relação complexa e não linear enterrada em dados de imagem cerebral. No entanto, o grande número de parâmetros em modelos profundos pode facilmente resultar em overfitting, dado um número limitado de amostras de dados de imagem. Neste trabalho, propomos um método de aprendizado por transferência entre domínios para resolver o problema de dados insuficientes na área de imagem cerebral, aproveitando o conhecimento adquirido no domínio de imagem natural. Especificamente, empregamos o ViT como base e o pré-treinamos inicialmente usando o conjunto de dados ImageNet-21K e, em seguida, transferimos para o conjunto de dados de imagem cerebral. Um método de incorporação de convolução slice-wise foi desenvolvido para melhorar a operação padrão de patch no ViT convencional. Nosso método foi avaliado com base na tarefa de classificação AD/CN. Também realizamos experimentos extensivos para comparar o desempenho de transferência com diferentes estratégias de transferência, modelos e tamanhos de amostra. Os resultados sugerem que o método proposto pode transferir efetivamente o conhecimento aprendido no domínio de imagem natural para a área de imagem cerebral e pode fornecer uma maneira promissora de aproveitar o modelo pré-treinado em aplicações que exigem muitos dados. Além disso, o método de aprendizado por transferência entre domínios proposto pode obter desempenho de classificação comparável em relação à maioria dos estudos recentes.