3D-TDA – Topological feature extraction from 3D images for Alzheimer's disease classification
Faisal Ahmed, Taymaz Akan, Fatih Gelir, Owen T. Carmichael, Elizabeth A. Disbrow, Steven A. Conrad, and Mohammad A. N. Bhuiyan
现在,针对阿尔茨海默病的疾病修饰疗法已经获得监管机构的批准,基于可能的最低成本测量模式对AD的早期,客观和准确的临床诊断已成为一项日益迫切的需求。 在这项研究中,我们提出了一种新的特征提取方法,使用持久性同源来分析大脑的结构MRI。 这种方法通过Betti函数将拓扑特征转换为强大的特征向量。 通过将这些特征向量与像XGBoost这样的简单机器学习模型集成,我们实现了计算高效的机器学习模型。 我们的模型在ADNI 3D MRI疾病诊断的二进制和三类分类任务中优于最先进的深度学习模型。 使用10倍交叉验证,我们的模型实现了平均准确率为97.43%,二进制分类的灵敏度为90.09%。 对于三级分类,它的平均精度为95.47%,灵敏度为94.98%。 与许多深度学习模型不同,我们的方法不需要数据增强或广泛的预处理,因此特别适用于较小的数据集。 拓扑特征与通常使用卷积过滤器和其他深度学习机制提取的拓扑特征有很大不同。 因为它提供了与机器学习模型完全不同的信息类型,因此它有可能在以后将拓扑特征与其他模型相结合。
Now that disease-modifying therapies for Alzheimer disease have been approved by regulatory agencies, the early, objective, and accurate clinical diagnosis of AD based on the lowest-cost measurement modalities possible has become an increasingly urgent need. In this study, we propose a novel feature extraction method using persistent homology to analyze structural MRI of the brain. This approach converts topological features into powerful feature vectors through Betti functions. By integrating t...
