Three-round learning strategy based on 3D Deep Convolutional GANs for Alzheimer’s disease staging
Notice bibliographique
Résumé
Abstract The accurate diagnosis of Alzheimer's disease (AD) and its early stage is essential for early dementia detection and treatment planning. For 2D Convolutional neural networks (CNNs), the networks pre-trained on ImageNet always outperformed the models trained from scratch. 3D CNN is easily to lead to an overfitting problem due to the lack of 3D neuroimage datasets. To alleviate the overfitting caused by small to medium-sized datasets, a three-round learning strategy based on 3D Deep Convolutional Generative Adversarial Networks (DCGAN) is used for staging the spectrum of AD. In the first round, the common features of sMRI were trained in the context of 3D DCGAN by unsupervised learning. In the second round, the pre-trained discriminator (D) of the DCGAN with residual architecture was transferred and fine-tuned for the classification task between AD and cognitive normal (CN). In the last round of the transfer learning approach, the weights learned in the AD versus CN classification task were transferred to MCI diagnosis. The proposed model attained accuracies of 92.8 %, 78.1 %, and 76.4 % in the classification of AD versus CN, AD versus MCI, and MCI versus CN, respectively. The experimental results demonstrate that our proposed model has a good classification performance on staging the AD spectrum with small to medium-sized datasets, compared with other state-of-the-art studies.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».