基于稳健秩池化技术的三维MRI压缩与二维卷积神经网络用于阿尔茨海默病分类

《Scientific Reports》：Efficient Alzheimer’s disease classification with robust rank pooling

　　

摘要

利用三维卷积神经网络（CNN）对基于脑部磁共振成像（MRI）的阿尔茨海默病（AD）进行分类，面临诸多重大挑战，包括计算开销大、大规模训练数据稀缺以及难以捕捉细微病理特征。现有的三维转二维压缩方法虽然简化了数据，但存在严重的信息损失问题。我们提出了稳健秩池化（Robust Rank Pooling, RRP）这一新颖的压缩技术，采用滑动窗口策略将三维MRI体数据转换为多幅二维动态图像。该方法通过保留不同脑区之间的稳健结构特征，有效缓解了信息损失问题。我们利用生成的图像训练一个高效的预训练二维CNN架构，并结合模型集成方法进一步提升性能。所提出的方法在两个T2-FLAIR MRI基准数据集ADNI和BICWALZS上进行了验证。实验结果表明，我们的方法显著优于现有方法。与先前的方法相比，我们的模型在准确率上提升了约2.3%，曲线下面积（AUC）提升了4.4%。与标准三维网络相比，我们的方法将准确率提高了13.2%，同时在模型推理和总处理时间上分别实现了\(\times \)4.1和\(\times \)2.1的加速。此外，定性分析证实，我们的模型聚焦于临床相关的生物标志物，从而为阿尔茨海默病分类提供了一种计算高效且有效的解决方案。