Hybrid Feature Fusion Using RNN and Pre-trained CNN for Classification of Alzheimer's Disease (Poster)
Notice bibliographique
Résumé
The accurate classification of AD is very essential for both patient and social care, and it will be more significant once the treatment options are available to reverse the progress of the disease. The recent success of deep learning techniques has rapidly advanced the automatic classification of AD using neuroimaging biomarkers such as MRI. However, there exist two major challenges. First, training a deep convolutional neural network (CNN) from scratch relies on a large number of labeled training data to obtain high accuracy without overfitting. Second, due to high computational cost, most of the existing techniques employ 2D CNN that cannot leverage the complete spatial information; hence, it loses the inter-slice correlation. To address these limitations, we combine a recurrent neural network (RNN), specifically long short-term memory (LSTM) on top of the bottleneck layer of pre-trained DenseNet architecture, a deep CNN has already been trained on a large-scale dataset called ImageNet. In addition to the intra-slice features extracted from the deep CNN, the proposed technique exploits the inter-slice features through LSTM in order to discriminate the patients having AD and cognitively normal (CN) clinical status from the brain MRI data. Through experimental results, we show that our proposed model has better performance than state-of-the-art deep learning methods on the Open Access Series of Imaging Studies (OASIS) dataset using 5-fold cross validation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».