A Lightweight Deep Convolutional Neural Network Extracting Local and Global Contextual Features for the Classification of Alzheimer's Disease Using Structural MRI
Notice bibliographique
Résumé
Recent advancements in the classification of Alzheimer's disease have leveraged the automatic feature generation capability of convolutional neural networks (CNNs) using neuroimaging biomarkers. However, most of the existing CNN-based methods often disregard the local features of the brain data, which leads to a loss of subtle fine-grained features in the brain imaging data. Moreover, the existing CNN architectures, which mainly rely on global features, do not pay much attention to the discriminability of the extracted features for the task of classification of Alzheimer's disease. Moreover, the existing architectures often end up using a large number of parameters to enhance the richness of the extracted features. This paper proposes a novel lightweight deep CNN, which extracts local and global contextual features from the sagittal slices of structural MRI data and uses both of these two types of features for the classification of the disease. The main idea used in designing the proposed network is to process separately the local and global features by using modules that pay a special attention to extract local and global contextual features. The fused local and global contextual features are then used for the classification of Alzheimer's disease. The proposed network is tested for the binary and multiclass classifications of the disease using the MR images taken from the ADNI database. The proposed network is shown to provide a performance that is significantly higher than that provided by other existing state-of-the-art networks, yet using a number of parameters that is a small fraction of that used by the other schemes.
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 | 0,001 | 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 ».