Coordinate Attention Based 3D-CNN Using Ghost Multi-Scale for Diagnosing Alzheimer’s Disease
Notice bibliographique
Résumé
Alzheimer's disease (AD) is a neurodegenerative disease and mild cognitive impairment (MCI) is the early stage of AD. Previous studies have predominantly focused on binary classification using 3 dimensional - convolutional neural network (3D-CNN) for AD diagnosis, with limited progress in multi-classification. Moreover, the current 3D-CNNs often adopt a single-scale architecture with massive parameters growth. Additionally, obtaining precise location information of brain imaging data is crucial for improving the classification accuracy with 3D-CNN. Hence, we propose a multi-scale 3D-CNN based on coordinate attention mechanism to marvelously capture and integrate 3D features with fewer parameters, improving the accuracy of AD diagnosis. A total of 447 cognitively normal (CN), 512 MCI, and 358 AD sMRI images from the Alzheimer's Disease Neuroimaging Initiative datasets are used for multi-class classification task, yielding a classification accuracy of 92.8%. The model merely involves 2.41 M parameters and achieves the best classification results with the least number of parameters when compared to other representative CNN architectures including ResNet 18, ResNet 34, ConvNeXt tiny, and VGG 11. Through the ablation experiment, the addition of attention mechanism and the multi-scale classification enhances the classification performance by 4.5% and 1.5%, respectively. Furthermore, our model outperforms the other six existing studies in terms of accuracy for classifying AD vs. MCI vs. CN. Overall, this study underscores the efficacy of our approach for AD diagnosis, showcasing its utility in diagnosing AD patients and providing novel insights for diagnosing other neurological disorder diseases.
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 ».