Tensorizing GAN With High-Order Pooling for Alzheimer’s Disease Assessment

联营 计算机科学 神经影像学 人工智能 分类器(UML) 机器学习 阿尔茨海默病神经影像学倡议 模式识别(心理学) 深度学习 认知障碍 认知 心理学 神经科学
作者
Wen Yu,Baiying Lei,Michael K. Ng,Albert C. Cheung,Yanyan Shen,Shuqiang Wang
出处
期刊:IEEE transactions on neural networks and learning systems [Institute of Electrical and Electronics Engineers]
卷期号:33 (9): 4945-4959 被引量:107
标识
DOI:10.1109/tnnls.2021.3063516
摘要

It is of great significance to apply deep learning for the early diagnosis of Alzheimer’s disease (AD). In this work, a novel tensorizing GAN with high-order pooling is proposed to assess mild cognitive impairment (MCI) and AD. By tensorizing a three-player cooperative game-based framework, the proposed model can benefit from the structural information of the brain. By incorporating the high-order pooling scheme into the classifier, the proposed model can make full use of the second-order statistics of holistic magnetic resonance imaging (MRI). To the best of our knowledge, the proposed Tensor-train, High-order pooling and Semisupervised learning-based GAN (THS-GAN) is the first work to deal with classification on MR images for AD diagnosis. Extensive experimental results on Alzheimer’s disease neuroimaging initiative (ADNI) data set are reported to demonstrate that the proposed THS-GAN achieves superior performance compared with existing methods, and to show that both tensor-train and high-order pooling can enhance classification performance. The visualization of generated samples also shows that the proposed model can generate plausible samples for semisupervised learning purpose.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
热心乌完成签到,获得积分0
2秒前
呼呼呼发布了新的文献求助10
3秒前
直率的画笔完成签到,获得积分10
5秒前
你好呀嘻嘻完成签到 ,获得积分10
6秒前
勇敢飞的xf完成签到,获得积分10
6秒前
善学以致用应助bobo采纳,获得10
7秒前
沉默的莞完成签到,获得积分10
7秒前
9秒前
wanci应助LDH采纳,获得10
9秒前
chaoshen完成签到,获得积分10
10秒前
11秒前
鑫缘发布了新的文献求助10
11秒前
11秒前
xww完成签到,获得积分10
12秒前
JamesPei应助robi采纳,获得10
13秒前
13秒前
不配.应助duoduoqian采纳,获得10
15秒前
xww发布了新的文献求助10
16秒前
17秒前
18秒前
鑫缘完成签到,获得积分10
19秒前
20秒前
SciGPT应助byyyy采纳,获得10
20秒前
香蕉觅云应助瑾玉采纳,获得10
23秒前
背后归尘完成签到,获得积分10
24秒前
zyzhnu完成签到,获得积分10
25秒前
robi发布了新的文献求助10
26秒前
孤巷的猫完成签到,获得积分10
26秒前
35秒前
36秒前
38秒前
38秒前
carly完成签到 ,获得积分10
40秒前
无敌暴龙学神完成签到,获得积分10
40秒前
41秒前
无为完成签到,获得积分10
42秒前
颠颠关注了科研通微信公众号
43秒前
小马完成签到,获得积分10
44秒前
45秒前
超级的绿凝完成签到 ,获得积分10
45秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134935
求助须知:如何正确求助?哪些是违规求助? 2785802
关于积分的说明 7774295
捐赠科研通 2441699
什么是DOI,文献DOI怎么找? 1298093
科研通“疑难数据库(出版商)”最低求助积分说明 625075
版权声明 600825