今天就来蹭一下某院士学术造假的热度看一篇用3D神经网络进行阿尔兹海默症检测的论文。
题目:
用于自动检测阿尔茨海默症的卷积神经网络设计研究
On the design of convolutional neural networks for automatic detectionof Alzheimer’s disease
链接:
https://arxiv.org/pdf/1911.03740.pdf
作者:
Sheng Liu 纽约大学数据科学中心
来源:
NeurIPS2019 ML4H
这次我们先来看下文章中提出的网络结构图,之后再读全文:
只要是做过三维深度学习的同学肯定会很眼熟了。
虽然我们不知道核磁共振图像是什么形态的,但肯定是可以表示成类似于体素的规则三维数据,这样才可以输入到三维深度网络中进行处理。带着这个想法,接下来看看论文的摘要。
摘要
在阿尔兹海默症(AD, Alzheimer’s Disease)的研究当中,早期检测是一个重要目标。在这篇文章中,作者描述了几种能够提高三维卷积神经网络性能的技术,并利用大脑核磁共振图像来检测阿尔兹海默症。具体来说,作者发现了下列现象:(1)实例归一化的效果优于批量归一化;(2)前期空间降采样会降低效果;(3)加宽网络比加深网络更有用;(4)增加年龄信息能产生一定的效果提升。同时,上述改进使得作者提出的网络在测试集上的准确率提高了大约14%,能够有效地对ADNI 数据集中的阿尔兹海默症、轻度认知功能障碍和认知正常三类大脑核磁共振图像进行分类。此外,作者在另一个独立的数据集中进行了实验,表明了类似的结论。论文开源了代码,链接:
https://github.com/NYUMedML/CNN_design_for_AD
方法介绍
核磁共振与CT类似,都可以对人体组织进行成像。看完摘要,即便不是医学专业学生,对核磁共振图像不太熟悉,但是里面涉及的技术基本都是很普通的深度学习方面的术语了。这也为进入这个领域寻求合作提供了信心。下面简单介绍文章的方法流程:
首先,作者利用一个叫Clinica的软件将大脑核磁共振图像预处理成121× 145 × 121的体素。进行网络处理时,会通过随机采样得到96 × 96 × 96的部分送入网络。
其次,数据集分成训练集、验证集和测试集,样本共三类分别是阿尔兹海默症、轻度认知功能障碍和认知正常。
最后,作者对所设计的3D神经网络进行训练,并对四类变量进行实验对比,包括:(1)实例归一化和批量归一化;(2)是否前期空间降采样;(3)网络加宽和网络加深;(4)是否增加年龄信息。实验分析详实,结论可靠。
下面展示了部分实验对比图:
接着展示部分分类结果图:
从图中可以看出,不像是PS的,三类大脑核磁共振图像非常类似,只有细微的区别。因此想提高准确率也绝非易事,需要在网络设计和调参方面做很多探索。如果你有同学从事医学方面的研究,不妨与之多交流,看能否帮忙进行数据处理方面的工作,没准儿还能发表一篇高分论文……
今天的文章就到这里了,感兴趣的同学可以下载原文以及源代码进行学习。希望同学们能以严谨的态度走好学术上的每一步。