알츠하이머병 분류를 위한 다중 모드 데이터 보완 기법

Multi-modal Imputation for Alzheimer's Disease Classification

심층 학습은 자기 공명 영상(MRI)을 통해 알츠하이머병과 같은 신경 퇴행성 질환을 예측하는 데 성공을 거두었습니다. T1 가중치 영상(T1) 및 확산 가중치 영상(DWI)과 같은 여러 영상 모달리티를 결합하면 진단 성능을 향상시킬 수 있습니다. 그러나 완전한 다중 모드 데이터 세트는 항상 사용 가능하지 않습니다. 본 연구에서는 조건부 노이즈 제거 확산 확률 모델을 사용하여 T1 영상으로부터 누락된 DWI 영상을 보완합니다. 3가지 범주(인지 기능 정상, 경도 인지 장애, 알츠하이머병)에 대한 단일 모드 및 다중 모드 심층 학습 모델의 정확도를 향상시키는 데 이러한 보완 기법이 효과적인지 광범위한 실험을 통해 평가합니다. 여러 보완 구성에서, 특히 소수 클래스에 민감한 지표에서 성능 향상을 관찰했습니다.

Deep learning has been successful in predicting neurodegenerative disorders, such as Alzheimer's disease, from magnetic resonance imaging (MRI). Combining multiple imaging modalities, such as T1-weighted (T1) and diffusion-weighted imaging (DWI) scans, can increase diagnostic performance. However, complete multimodal datasets are not always available. We use a conditional denoising diffusion probabilistic model to impute missing DWI scans from T1 scans. We perform extensive experiments to evaluate whether such imputation improves the accuracy of uni-modal and bi-modal deep learning models for 3-way Alzheimer's disease classification-cognitively normal, mild cognitive impairment, and Alzheimer's disease. We observe improvements in several metrics, particularly those sensitive to minority classes, for several imputation configurations.