Подход с трансферным обучением для ранней диагностики болезни Альцгеймера по изображениям МРТ

Выявление лёгких когнитивных нарушений с помощью магнитно-резонансной томографии играет важную роль в раннем лечении деменции. Архитектуры глубокого обучения дают впечатляющие результаты, но для обучения моделей требуются большие размеченные наборы данных. В этом исследовании эту проблему преодолели за счёт покомпонентного трансферного обучения и сегментации тканей мозга для диагностики ранней стадии болезни Альцгеймера. При покомпонентном трансферном обучении использовали семейство архитектур VGG с предварительно обученными весами. Предложенная модель различает норму, ранние лёгкие когнитивные нарушения, поздние лёгкие когнитивные нарушения и болезнь Альцгеймера. В работе использованы данные 85 пациентов с нормальными показателями, 70 пациентов с ранними лёгкими когнитивными нарушениями, 70 пациентов с поздними лёгкими когнитивными нарушениями и 75 пациентов с болезнью Альцгеймера из базы данных Инициативы по нейровизуализации болезни Альцгеймера (ADNI). У каждого участника применяли сегментацию тканей для выделения серого вещества. Для проверки достоверности метод протестировали на данных после предобработки; при классификации болезнь Альцгеймера против нормы достигнута наивысшая точность 98,73%, при различении ранних и поздних лёгких когнитивных нарушений точность составила 83,72%, а для остальных классов точность превысила 80%. В сравнительном анализе с другими исследованиями предложенная модель превзошла современные модели по точности на тестовой выборке.