[论文解读] Deep Learning for Early Alzheimer Disease Detection with MRI Scans

Mohammad Rafsan, Tamer Oraby+3 more|ArXiv.org|Jan 17, 2025

Brain Tumor Detection and Classification被引用 3

一句话总结

本研究在 OASIS 脑部 MRI 数据集上比较 CNN、贝叶斯 CNN 和 U-Net 模型以检测早期阿尔茨海默病，贝叶斯 CNN 实现准确率超过 95%，并使用 Grad-CAM 进行可解释性分析。

ABSTRACT

Alzheimer's Disease is a neurodegenerative condition characterized by dementia and impairment in neurological function. The study primarily focuses on the individuals above age 40, affecting their memory, behavior, and cognitive processes of the brain. Alzheimer's disease requires diagnosis by a detailed assessment of MRI scans and neuropsychological tests of the patients. This project compares existing deep learning models in the pursuit of enhancing the accuracy and efficiency of AD diagnosis, specifically focusing on the Convolutional Neural Network, Bayesian Convolutional Neural Network, and the U-net model with the Open Access Series of Imaging Studies brain MRI dataset. Besides, to ensure robustness and reliability in the model evaluations, we address the challenge of imbalance in data. We then perform rigorous evaluation to determine strengths and weaknesses for each model by considering sensitivity, specificity, and computational efficiency. This comparative analysis would shed light on the future role of AI in revolutionizing AD diagnostics but also paved ways for future innovation in medical imaging and the management of neurodegenerative diseases.

研究动机与目标

• 使用 MRI 与 AI 驱动分析促进阿尔茨海默病的早期检测。
• 评估并对比三种深度学习架构（CNN、贝叶斯 CNN、U-Net）在公共 MRI 数据集上的表现。
• 通过 SMOTE-Tomek 预处理应对医学影像中的类别不平衡问题。
• 评估模型在准确率、精确率、召回率和 F1 分数上的性能。
• 利用 Grad-CAM 提供模型预测的可解释性。

提出的方法

• 对 OASIS 数据集的 MRI 切片应用 CNN、贝叶斯 CNN 和 U-Net 模型。
• 在训练和评估前使用 SMOTE-Tomek 对数据进行平衡。
• 使用准确率、精确率、召回率和 F1-score 评估模型。
• 使用 Grad-CAM 可视化对预测有贡献的大脑区域以提升可解释性。
• 通过 Bayes by Backprop 与变分推断及 ELBO 目标描述贝叶斯 CNN。
• 实现并比较贝叶斯 CNN 的不确定性建模，采用随机梯度变分贝叶斯（SGVB）。

实验结果

研究问题

• RQ1 贝叶斯 CNN 是否在 MRI 数据的早期阿尔茨海默病检测中优于标准 CNN 和 U-Net？
• RQ2 在检测阿尔茨海默病早期阶段时，这些模型在准确率、精确率、召回率和 F1 分数方面的表现如何？
• RQ3 Grad-CAM 是否能为模型预测提供有意义的相关脑区域定位？
• RQ4 SMOTE-Tomek 对模型性能的影响？
• RQ5 贝叶斯 CNN 的不确定性建模是否有助于提供更可靠的诊断？

主要发现

• 贝叶斯 CNN 在该任务上实现了超过 95% 的准确率。
• 在评估的模型中，CNN 和 U-Net 实现了次高的性能。
• 使用 Grad-CAM 可视化对预测有贡献的脑区域，提升了可解释性。
• 研究在训练和评估前使用 SMOTE-Tomek 平衡了数据集。
• 分析讨论了贝叶斯 CNN 提供的不确定性量化及其潜在的临床价值。